自2017年以来，实验室坚持开展暑期内训，历经9年的沉淀与积累，本年度内训体系更加系统且充实，开展了多个环节的精彩分享，包括实验室概况与研究生管理、团队组建与管理、知识产权概念与申请、以及从问题定义到高水平论文写作的完整学术研究路径。同时聚焦学术前沿与项目实战，重点介绍了医疗影像AI前沿研究与实践、基金项目申报的理解与撰写等模块，帮助新生体会基础科研与落地实践相辅相成的紧密联系。此外，本次培训不仅安排了2026级新生自我介绍环节，还设置了学长学姐经验分享环节，为新老成员之间的相互认识、经验传承与学术交流搭建了良好的互动平台。

以下是对本次内训各环节的回顾与总结：

一、实验室简介与研究生管理

1.实验室简介

分享人：实验室负责人 朱敏

朱敏以实验室发展历程为主线，介绍历届成员及合作伙伴、现有研究方向与主要成果，帮助同学们理解实验室的发展脉络与团队传承。与此同时，引导大家从“了解实验室”转向“成为实验室的一员”，以参与者、学习者和建设者的角色主动融入团队，在交流中学习、在合作中成长，共同推动实验室发展。

2.实验室研究方向与研究进展

分享人：2026级博士新生 李天豪（生物信息学）、2024级博士 姚和、2025级博士 刘宜松（计算机视觉）、2023级硕士毕业生 王启鹏（可视化）

该环节围绕实验室生物信息学、计算机视觉和可视化等主要研究方向展开，由不同研究方向的实验室成员结合领域发展、前沿问题与科研实践进行分享，帮助新成员建立对各研究方向的整体认识，了解不同领域“研究什么、为什么研究以及如何开展研究”，进一步促进实验室内部的跨方向交流与科研合作。

李天豪围绕“从生命图谱到虚拟生命系统”介绍了生物信息学的发展背景与前沿研究问题，从生命数据、单细胞图谱出发，重点介绍虚拟细胞、空间多组学等当前研究热点，阐释生物信息学如何利用计算方法理解生命状态、预测细胞变化并进一步恢复其空间环境，同时结合具体研究案例介绍从科学问题到计算建模的基本研究思路。

姚和与刘宜松围绕计算机视觉研究进展进行了系统介绍，从实验室现有的视觉相关的研究方向出发，进一步介绍视觉架构从CNN到ViT的演进，以及视觉基础模型由任务专用向开放世界、视觉语言理解和多模态大模型发展的技术脉络，帮助同学们建立较为完整的计算机视觉知识框架。

王启鹏围绕可视化研究进展进行了分享，从科学可视化、信息可视化与可视化分析等基本概念出发，介绍了当前可视化领域的发展趋势与学术资源，并结合实际项目讲解从需求分析、数据处理、任务设计到系统实现的完整流程。此外，还介绍了D3、ECharts、WebGL等常用开发工具的特点，让同学们进一步认识到可视化不仅是展示数据，更是连接数据分析、交互设计与实际应用的重要研究手段。

3.实验室资源与开放知识库介绍

分享人：2025级硕士 王艺蒙、2024级博士 姚和

该环节主要围绕实验室网站建设与科研资源建设展开。网站建设方面，主要介绍了新闻稿发布、成员简介及科研成果等功能模块，用于及时展示实验室动态、科研活动与成员风采。科研资源方面，主要介绍了实验室对各类资源的统一规划与管理，为成员开展科研与日常协作提供支撑。

4.研究生管理

分享人：实验室负责人 朱敏

在该环节，朱敏围绕研究生培养全过程进行了系统讲解，介绍了培养方案、课程学习、学术成果与学位授予、学位论文及质量管理等基本要求，并重点强调学术论文写作、学位论文选题、科研项目支撑及研究工作的延续性。同时，朱敏梳理了研究生阶段的重要时间节点，提醒同学们合理规划不同阶段的学习与科研任务，明确目标、把握重点，稳步推进研究生阶段的成长与发展。

二、团队组建与管理

分享人：2007级毕业生 牛颢

在该环节，牛颢从团队合作的必要性、团队的定义与构成、团队组建与管理协作的关键与技巧以及个人在团队中的作用进行分享。他指出，良好的团队应该具有共同的目标，能够进行角色互补从而协同工作。只有让每一位成员责任落地，才能最大化发挥团队的力量。最后，他寄语新老成员，希望大家在课题研究与团队建设中，明确团队是一个共同体，要以主人翁意识与担当精神，共同推动个人、团队及实验室的共同发展与进步。

三、自我介绍

分享人：2026级全体硕士研究生及博士研究生

该环节由全体2026级小伙伴自我介绍以及导师点评组成。来自不同地区、不同学校以及不同工作单位的2026级全体成员先后进行了自我介绍。介绍了各自的基本信息、兴趣爱好、研究成果以及对硕士/博士研究生阶段的规划。自我介绍结束后，导师和学姐对大家的介绍方式进行了点评，让我们进一步相互了解，也使我们对如何进行自我介绍、如何营造一个轻松愉快的破冰氛围有了更深入的理解。

四、医疗影像AI前沿与实践

分享人：四川大学华西医院放射影像研究所副研究员 孙怀强

在该环节，孙怀强系统梳理了AI在医疗影像领域的最新前沿进展，并深入剖析了理论科学研究与临床实践之间的现实差距，帮助同学们立足真实临床痛点，明确了AI+医学交叉学科研究的实用导向与未来突破方向。

五、项目申报的理解与撰写

分享人：成都信息工程大学计算机学院教授 张永清（实验室09级硕士生）；2022级博士生 王国强

该环节围绕科研项目申报中的科学问题凝练、研究思路形成及申报书撰写方法展开，由张永清和王国强分别进行分享，帮助实验室成员系统理解科研探索和项目申报的完整过程。

张永清指出，科研项目申报的核心在于发现和凝练具有科学价值的问题，而非简单总结已有研究成果。优秀选题应建立在长期科研积累基础之上，结合领域发展趋势，通过系统阅读文献，梳理研究现状、关键瓶颈和未来方向，逐步形成具有创新性的研究思路。同时，科研创新不仅体现在方法改进，更体现在对科学问题的深入理解与突破之中。

王国强围绕项目申报书撰写流程进行了系统讲解，介绍了科研项目的基本流程和申报书的核心结构，强调研究生应从科研任务执行者逐步转变为项目参与者，主动理解项目目标与研究价值。他结合“Why—What—How—Why Us”的逻辑框架，重点介绍了立项依据、研究内容、技术路线及研究基础等部分的撰写方法，并分享了如何优化表达、合理组织内容和图表设计提升申请书质量的经验。

六、如何开展学术论文研究

分享人：2021级毕业生 程俊龙、2020级毕业生 温啸林、2023级毕业生 王启鹏、四川大学工程数值模拟基础算法与模型全国重点实验室研究员 孙元

在该环节中，四位讲者依次分享。程俊龙结合自身经验，以医学研究为例，详细讲解了如何从技术的发展趋势中提炼出具有学术价值与实践意义的科研问题。他提到，在技术的演进过程中，可以通过从现实痛点、算法瓶颈以及实验现象中去找到研究的价值、算法的创新与解决问题的证据。温啸林系统梳理了主流学术论文检索库的检索技巧与文献管理方法。他深入剖析了精读、泛读与不读的研读策略，引导同学们如何快速梳理研究领域的发展脉络并提取出核心创新点，从而高效构建个人科研知识体系。王启鹏分享了论文撰写中的注意事项以及科研过程中的实用学术工具。系统梳理了论文从摘要的撰写、参考文献的规范到投稿返修的全流程细节。并分享了会议交流中的实用技巧，帮助新生构建规范的学术表达与高效的科研体系。孙元围绕高水平论文写作，深入剖析了一篇高质量的论文应该具备的特点。他以“导演视角”来审视论文的写作流程，强调问题要鲜明、动机要充分，创新应当解决关键矛盾而非堆砌功能模块，实验应服务于问题的验证而非单纯展示数据。通过多维度的对比分析，他帮助新生把握高水平论文的精髓，为后续开展研究与产出高质量成果打下基础。

七、知识产权的概念、分类与申请

分享人：成都禾创知家知识产权代理有限公司 张帆

张帆在该环节首先介绍了知识产权的基本内涵与主要类型，以及与科研成果产出相关的软件著作权、发明专利及学术论文等知识产权，重点讲解了软著与专利的规范要求及申请流程。结合实验室以往申请数据与实际案例，张帆还就申请过程中的常见问题与注意事项进行了分析，针对发明专利审查周期较长的情况，介绍了优先审查与快速预审的途径。此次分享帮助同学们建立起知识产权与科学研究之间的关联认知，为今后在科研实践中及时保护创新成果、推动其落地转化提供了有益参考。

八、学长学姐经验谈

分享人：2008级毕业生 陈雪，2011级毕业生 汪洋旭、甘启宏，2020级毕业生 杨勇，2021级毕业生 程俊龙、高承睿，2022级毕业生 兰天中，2023级毕业生 王启鹏

本次内训特别设置了“学长学姐经验谈”环节，邀请实验室毕业的学长学姐进行分享交流。实验室负责人朱敏首先介绍了到场的学长学姐以及他们目前的学习及就业情况。26级的同学结合当前的研究状态和困惑向学长学姐请教经验，学长学姐们对每个同学的问题都给出了十分具体且实用的回答。通过经验分享与互动交流，新生进一步了解了研究生不同阶段的发展目标和成长路径，对如何培养科研思维、提升学术能力及未来规划有了更加清晰的认识。

九、合影留念

在为期三天的内训接近尾声之际，实验室负责人朱敏对此次培训进行了总结，对往届师兄师姐及特邀嘉宾表示感谢。她肯定了26届硕博研究生在培训中的积极参与和热情，同时也提醒大家要踊跃提问交流，鼓励大家在未来的科研道路上继续努力。

最后，全体参训人员进行合影留念，定格下这难忘的瞬间。至此，四川大学视觉计算实验室2026年暑期内训圆满结束。

  2026年8月8-10日，视觉计算实验室在连续举办9年暑期内训的基础上，继续组织开展2026年度实验室内训活动，目的是帮助2026级新生尽快熟悉科研环境与研究生阶段培养体系，融入实验室科研氛围，为即将开启的研究生学习阶段奠定良好基础。  

  本次内训围绕实验室简介与团队融入、科研方向与学术能力培养、科研综合素养与团队协作等内容展开。实验室邀请了多位在学术研究和工程实践方面具有丰富经验的专家，以及实验室毕业研究生，通过专题讲解、经验分享、交流讨论等多种形式，使新生系统地了解实验室研究方向、科研资源，以及研究生培养全过程管理规范，初步掌握文献检索、科研选题、学术表达、论文写作、项目申报等科研方法，把握研究生阶段整体规划与培养要求，同时加强成员之间的沟通与合作。

  内训安排及主要内容具体如下：

  时间：2026年8月8日-8月10日

  地点：四川大学望江校区基础教学楼B318实验室

内训内容：

Part 1 实验室简介与团队融入

· 目的：熟悉实验室的学术科研环境、人员及事务管理情况；了解并学会运用实验室相关资源；了解学校、学院和实验室对研究生的相关要求；了解并掌握研究生期间的基础研究规律，准确理解项目申报书中的问题凝练、技术路线等写作要义。

· 内容：通过实验室发展简介、研究生管理、实验室资源与开放知识库介绍专题初步了解实验室情况；通过医疗影像AI前沿研究与实践、基金项目申报中的科研探索、如何理解并撰写项目申报书专题讲解，介绍医疗影像AI前沿的科研实践路径及项目申报的整体流程和写作规范；最后通过新生自我介绍环节加强相互之间的认识和了解。

Part 2 实验室科研方向与学术能力培养

· 目的：了解实验室主要研究方向与成果输出；学习如何发现并确定自己的研究问题、如何使用学术工具来建立规范的学术表达并完成高水平的论文写作；了解研究生学业中的注意事项与成长途径。

· 内容：通过实验室研究方向与研究进展专题来了解实验室的相关科研进展；通过如何发现和定义研究问题、学术表达与学术工具使用、高水平论文写作专题帮助新生初步构建研究体系；最后通过优秀学长学姐经验分享与交流，了解研究生阶段的成长规划。

Part 3 科研综合素养与团队协作

· 目的：了解团队合作的必要性，以及团队组建与管理方法；了解知识产权与科研的关系及其申请流程；掌握主流学术平台的文献检索策略与筛选技巧，提升论文研读效率，建立系统的文献管理与分析体系。

· 内容：通过团队组建与管理专题介绍什么是团队、如何在团队中发挥个人作用以及团队协作的关键与技巧；通过知识产权的概念、分类与申请专题，以成功案例来讲解知识产权的概念、分类与申请流程；通过高效文献检索与论文研读专题介绍论文核心板块的拆解与精读技巧。最后对内训进行总结，回顾与讨论内训内容，收集学员意见与建议，做好入学前与入学初期的学习任务规划与部署。

  交流会上，朱敏首先对姚和、卢玉杰、甘小容的硕士导师张永军表示感谢，同时介绍了本次到访交流的目的，希望通过三位同学的科研成长历程分享，深化两个团队学术联动，探讨未来合作机制，为后续跨校科研协作与持续的人才联合培养奠定基础。

  张永军对视觉计算实验室一行到访表示热烈欢迎。他带领团队参观了贵州大学校院，接着详细介绍了贵大团队的建设情况以及现阶段研究方向，通过团队近年科研项目的介绍展示出团队在图像增强、立体匹配、语义分割、图像检测等多个方向的研究成果。同时，张永军教授分享了团队在研究生培养、科研氛围建设等方面的教育理念，并回顾了姚和、卢玉杰、甘小容在贵大硕士阶段的科研学习情况，对同学们升学深造、深耕科研给予肯定。张教授表示，非常欣慰学生们在博士阶段进一步提升了科研能力并拓宽了学术视野，期待此次交流能够持续深化两个团队师生学术交流与科研合作。

  随后，三位由贵大培养、现于川大攻读博士的同学依次分享科研成长经验。姚和围绕科研经历与博士阶段成长作交流分享，回顾了从贵州大学夜间行人检测到四川大学低空无人机感知的研究历程，介绍了在项目实践、学术交流和团队协作中的收获。

  卢玉杰分享了自身的科研成长感悟。他谈到，硕士阶段的科研学习更多侧重于算法或模型在性能指标的提升，而进入博士阶段后，对科研的本质有了更为深刻的认识。博士科研更强调问题导向与创新思维，更侧重于主动挖掘领域前沿问题，突破现有研究瓶颈从而构建研究体系。

  甘小容分享了从硕士到博士的心路历程。她从多个方面对比了硕士阶段与博士阶段的学习状态。同时，她结合自身申博经历与博士初期学习体验，围绕科研认知、申博规划等话题与在场师生展开深度交流。她表示，硕士阶段是积累基础能力的关键时期，而博士阶段则应以全局、系统的思维来规划四年的科研之路。

  朱敏介绍了四川大学计算机学院视觉计算实验室的整体情况，分享了实验室近年来聚焦计算机视觉、可视化分析与人机交互、生物信息等领域的科研项目与代表性成果。同时，阐述实验室在人才培养、学术研讨、团队协作的建设理念。

  研讨尾声，双方团队围绕未来长期合作进行探讨，一致同意建立定期互访学术交流机制，依托彼此优势，开展科研合作，共享硕博培养经验，为两校学生提供跨校学习、项目实践的交流平台。

  此次川大、贵大计算机科研团队的跨校回访交流，既是同门师生科研情谊的延续，更是两个团队优势互补、学术交流的重要实践。活动不仅为两个科研团队搭建了良好的沟通桥梁，促进了学术思想与培养经验的互通互鉴，也为学生在科研成长和研究方向指明了道路，对推动两校学科建设与科研合作具有积极意义。

 大会在领导致辞中正式拉开帷幕，KDD China主席、京东集团副总裁郑宇教授首先带来“KDD China十周年回顾”，梳理了分会自2016年成立以来连接学术界与工业界、培养新一代大数据人才的十年历程。

 加拿大皇家科学院和工程院院士杨强教授带来了《联邦学习与联邦智能体》的主题分享，从如何开展有意义的研究切入，强调定义重要问题是研究的起点。他指出大模型时代数据消耗速度远超数据存量增长，联邦学习的核心价值是在保护隐私的前提下利用私有数据，推动模型持续迭代。此外他还介绍了其团队提出的数据解耦思路，并探讨了联邦智能体的新方向。

 郑宇教授带来了《时空智能》的主题报告，阐述人工智能进入物理世界的基础理论与关键技术。他认为人工智能落地物理世界面临数据稀缺、行业知识深度融合、时空理解不充分三大挑战。他系统介绍了时空智能的三大层次，并结合团队的落地实践，展示了时空智能在城市交通预警、生命线工程实时监测、公共安全调度等场景的闭环应用。

 中国科学技术大学教授陈恩红教授带来了《从听懂指令到懂你所想：构建机器心智理论的探索与实践》的主题报告。他指出当前大模型在静态封闭任务中表现突出，但在开放环境中仍缺乏与物理世界深度交互的能力。他认为从人机共生的目标出发，机器需要能够理解用户隐含的意图、情绪与动机。此外他还系统介绍了机器中心智理论的构建路径，并分享了该技术在智能客服、抑郁检测、医疗纠纷预警等场景的应用探索。

 中国科学技术大学刘淇教授带来了《情境感知的时间序列分析》的主题报告，探讨从模式拟合到认知推理的发展路径。他认为传统时间序列预测多聚焦数值建模，忽略了天气、节假日、突发事件等外部情境因素，并展示了基于大模型推理与记忆增强的迭代式预测系统CastCloud。

 大会圆桌论坛由郑宇教授主持，杨强、沈抖、于剑、罗韬、胡侠等嘉宾围绕“AI的深度思考和未来展望”展开交流。嘉宾们就AI的能力边界、当前发展的核心瓶颈、人机协同的未来形态、代码生成与具身智能的可行性等议题各抒己见。他们观点的碰撞为行业发展带来了多元启发，也引发了在场观众对 AI 未来发展方向的深入思考。

Grand Challenge : Academic Text-to-Music Generation(ATTM)：论坛主席为 Yi-Hsuan Yang。该专题围绕学术场景下的文本生成音乐任务展开，重点关注数据集构建、基线方法设计和评价指标体系。随着文本到音乐生成模型的快速发展，如何客观评价生成音乐与文本提示之间的匹配程度、音乐质量以及人类偏好一致性，成为该方向的重要问题。

在相关报告中，讲者介绍了 Academic Text-to-Music Grand Challenge: Datasets, Baselines, and Evaluation Methods，并展示了面向文本生成音乐任务的奖励模型 TuneJury。该模型旨在根据文本提示和音频片段预测人类偏好分数，为文本生成音乐系统提供实例级、成对比较形式的评价方式。报告内容体现了音乐生成任务从“能生成”向“可评价、可比较、可优化”发展的趋势。

Tutorial : Generative AI Benchmark and Evaluation：讲者为来自上海人工智能实验室的 Zicheng Zhang。该教程围绕生成式人工智能的基准测试与系统评价展开，内容涵盖文本、图像、视频、三维资产等多种生成内容类型。随着生成式人工智能模型能力快速提升，如何建立可信、全面、可复现的评价体系，已经成为学术界和产业界共同关注的问题。

报告中，讲者介绍了大模型评测体系的发展现状，并结合团队在多模态大模型评价、AI for Science、安全可信、具身智能和 AI 计算系统等方向的工作，展示了生成式人工智能评测从单一指标走向综合能力评估的发展趋势。该专题为理解当前生成式模型评价方法和未来评测体系建设提供了重要参考。

Tutorial : Generative Low-Level Visual Signal Processing and Quality Assessment with Preference Optimization：讲者为Zicheng Zhang。该教程关注生成式人工智能背景下的低层视觉信号处理与质量评价问题，内容涉及图像复原、视觉质量评估、偏好建模以及基于人类反馈的优化方法。随着扩散模型、大型生成式基础模型等技术的发展，低层视觉任务逐渐从传统像素级恢复走向感知质量与用户偏好共同驱动的新阶段。

在现场报告中，讲者围绕偏好优化方法进行了讲解，并以 PPO 等强化学习方法为例，介绍了从人类偏好、奖励模型到策略优化的技术路径。该专题展示了偏好优化在生成式视觉任务中的应用潜力，为图像增强、质量评价和生成结果优化提供了新的思路。

Workshop：Artificial Intelligence for Art Creation ：讲者为 Ambarish Natu。该专题聚焦人工智能在艺术创作、文化遗产分析和视觉内容生成中的应用。其中，报告 “Zero-Shot Captioning for Cultural Heritage: Automated Image Analysis of Traditional Indonesian Clothing” 介绍了面向印度尼西亚传统服饰图像的自动化分析方法。

Workshop : Embodied Multimedia: When Multimodal Signal Processing Meets Embodied Intelligence：讲者为 Wei Zhou。该专题关注多模态信号处理与具身智能的结合，内容涵盖视觉语言导航、跨模态图表示、语音与视觉交互、具身智能评估等方向。随着人工智能系统逐渐从静态内容理解走向动态环境交互，具身多媒体成为连接感知、理解、生成与行动的重要研究方向。

在相关报告中，讲者展示了面向人机交互场景的生成结果，包括 Talking Head Generation 和 Listening Head Generation 等内容。该类研究关注如何生成更加自然、可信的虚拟人物表达与交互行为，为数字人、智能助手、远程会议和具身交互系统提供技术支撑。同时，专题中关于视觉语言导航的报告也强调了智能体在真实环境中理解语言指令、感知视觉场景并进行决策的重要性。

在 Special Session “Multimedia-Oriented Neural Architecture Search for Efficient and Scalable Media Analysis” 中，来自东北大学、中北大学的多位研究者围绕高效模型设计、跨数据集泛化和即插即用式性能验证等问题展开报告。相关工作通过对不同数据集和不同任务设置下的实验结果进行比较，分析了模型结构、训练策略和泛化能力之间的关系。报告展示了高效多媒体模型在真实应用场景中对性能、计算成本和可扩展性的综合需求。

在 Special Session“Multimodal Medical AI and Foundation Models for Healthcare Multimedia Systems I” 中，来自西安电子科技大学的学者的报告聚焦医学图像、医学文本和视觉语言模型的融合建模问题。讲者介绍了基于预训练医学视觉语言模型的特征提取方法，并结合层次化对比学习框架，实现视觉区域、推理上下文和报告表达之间的多层次对齐。相关内容体现了多模态基础模型在医学报告生成、疾病区域定位和临床辅助分析中的应用潜力。

在 Special Session “Multimedia in Human-Aware Embodied AI and Avatars in Motion” 中，来自北航的学者的报告围绕事件感知、脉冲特征编码和动态场景建模展开。讲者介绍了基于脉冲神经机制的特征编码方法，通过事件脉冲特征编码器处理异步、稀疏的事件流数据，并进一步提取局部与全局特征。该方向为低功耗感知、动态人体理解和具身智能系统提供了新的研究思路。

在 Special Session “Intelligent Multimedia and Agents for Human Well-being: From Resilient Food Systems to Healthy Aging” 中，来自澳门大学的学者关注智能体系统的可靠性、协同机制和实际应用价值。相关研究从智能体自治能力、多智能体协作、异构模型结构和可信恢复能力等方面展开讨论，强调智能体系统在真实复杂环境中需要具备稳定性、适应性和安全性。该专题体现了多媒体智能从感知理解进一步走向决策协作和人类福祉应用的发展趋势。

此外，视觉计算实验室三篇录用论文的最后一篇也进行了海报展示，该工作面向腹部多器官分割中的持续学习问题，利用先验引导机制缓解新器官学习过程中的灾难性遗忘，并通过视觉语言特征和跨模态交互提升模型对不同器官结构的识别能力。

海报展示期间，实验室成员与来自不同高校和研究机构的参会者进行了交流，围绕持续学习、医学图像分割和多模态先验建模等问题展开讨论。

当天会议最后举行了 Awards Ceremony。大会对优秀论文、挑战赛、竞赛作品和相关艺术创作成果进行了展示与表彰。其中，腾讯与 AIART 相关作品展示环节呈现了生成式人工智能在多媒体艺术创作中的应用成果。

Al and Digital Infrastructure for a Sustainable Future: A Tale of Twin Transition:讲者为来自南洋理工大学的 Yonggang Wen。报告围绕全球数据中心的低碳化发展展开，重点介绍了全球数据中心在未来减碳过程中的潜力与挑战。随着人工智能、大模型和云计算应用的快速发展，数据中心能耗与碳排放问题日益受到关注。报告从新加坡、东盟及全球范围出发，分析了数据中心碳足迹降低所带来的潜在影响，为人工智能基础设施的绿色发展提供了新的思考。

在 Oral Session 环节，多位研究者围绕多媒体智能分析与模型泛化能力展开报告。展示了不同数据集与任务设置下的实验设计，报告围绕模型在不同任务配置下的性能表现展开分析，为持续学习、领域泛化和多任务学习等方向提供了实验参考。

Special Session : Embodied Multimodal Intelligence: FromPerception to World Modeling :来自中山大学的研究者展示了面向无人机图像与卫星图像的跨视角匹配方法DINO-GFSA。报告中给出的整体框架结合 DINOv3-ViT-Large 与 LoRA 进行基础特征提取，并通过语义引导残差特征融合、基于 Mamba 的空间聚合模块以及余弦相似度计算实现跨视角图像匹配。该工作面向低空遥感与地面定位等实际场景，对无人机图像和卫星图像之间的语义关联建模具有一定参考价值。

Special Session：Major Challengs in real-world videos ：来自浙江大学的讲者围绕真实世界视频中的主要挑战进行了分析。报告指出，真实场景视频往往同时面临空间层面的视角变化、遮挡、人与物体交互，以及时间层面的长视频建模、复合活动识别和共现动作理解等问题。此外，真实世界视频还存在领域差异和长尾分布等学习难点。相关讨论体现了当前视频理解任务从受控场景走向复杂开放场景时所面临的关键挑战。

Special Session : Event-Driven and Multimodal Perceptionin Low-Altitude, Waterborne, and Ground Transportation :来自电子科技大学的讲者介绍了面向少样本变化检测视觉问答的强化微调方法。关注如何在样本有限的条件下提升模型对变化区域与视觉问题的理解能力。报告提出通过决策模糊性引导强化微调，为变化检测场景下的视觉问答任务提供了新的优化思路。

Special Session : Generative Al and Agents for MultimediaCoding, Processing, and Evaluation:来自中国科学院大学的讲者从视频信号的频率特性出发，介绍了面向视频数据的频率感知神经表示方法，探索了更有效的视频神经表示方式，为视频压缩、视频重建和动态场景建模等任务提供了新的研究视角。

Special Session : Structured Multimodal Intelligence:Unifying MLLMs, Structure, and Scientific Understanding ：来自武汉理工大学的讲者在多模态医学人工智能分析方向，面向半月板损伤评估下游任务，介绍了一个结构化多模态评测基准。该工作关注如何结合医学图像、文本信息和临床相关数据，对半月板损伤进行更全面的智能评估。该报告体现了多媒体技术在医学诊断辅助、结构化数据建模和多模态健康评估中的应用潜力。

Grand Challenge: Lightweight Neural Networks for AIGC Image Quality Assessment :讲者为来自Nvidia相关团队的研究者，本场论坛围绕 AIGC 图像质量无参考评价中的轻量化模型设计展开讨论。论坛中展示了 LAQ-Net 等方法，重点介绍了双路径网络结构、频域信息建模以及轻量化推理在 AIGC 图像质量评估任务中的应用，为生成式图像评价模型在实际场景中的部署提供了新的思路。

Grand Challenge :SIQA: Scientific Images Quality Assessment Challenge ，讲者为来自上海AI lab的Zicheng Zhang。该论坛面向科学图像质量评价任务，关注人工智能快速融入科学研究流程后，对可靠科学图像质量评估方法的需求。与自然图像不同，科学图像往往服务于后续检测、分析、诊断或科研判断，其质量退化不仅影响视觉观感，也可能影响科学结论的准确性。讲者的讲解为解决以上问题提供了新思路。

Grand Challenge : DyGSC: Dynamic Gaussian Splatting Compression Challenge：讲者为来自北京大学深圳研究生院的 Liwei Liao。该论坛面向如何对动态三维高斯泼溅表示进行高效压缩和重建，展示了一套面向动态三维高斯泼溅表示的压缩与重建系统，通过压缩框架设计降低动态三维内容的存储与传输开销，为未来实时渲染、沉浸式通信和三维场景重建等应用提供了新的技术路径。

Grand Challenge : Perceptual Visual & 3D Point Cloud Compression and Low-Altitude UAV Image Quality Assessment，论坛由来自香港城市大学 Yuanchao Bai 和南阳理工大学的 Chengyan Jiang 共同主持。论坛覆盖感知视觉压缩和低空无人机图像质量评价等方向。论坛指出，低空无人机图像具有视角多样、目标区域复杂、场景变化明显等特点，传统图像质量评价方法难以充分反映目标感知任务中的实际质量需求。讲者回顾了近十年这三个领域的研究进展，并引出了ICME举行的面向低空无人机图像的目标感知质量评价挑战赛。

Grand Challenge：AI for Archaeological Artifacts Identification and Multilingual Multimodal Hate Speech Detection，论坛由来自Jadavpur University的Utathya Aich主持，随着网络交流从文本逐渐扩展到语音留言、直播和对话媒体，仅基于转写文本的检测系统已难以适应复杂的真实传播环境。论坛从语音、多语言和多模态信息融合角度出发，介绍了面向现实网络环境的仇恨言论检测挑战，体现了多媒体技术在内容安全、社会治理和可信传播中的应用价值。

此外，视觉计算实验室三篇录用论文的其中两篇也进行了海报展示，研究方向分别涉及医学图像分割与遥感滑坡分割，体现了实验室在多媒体智能分析与交叉应用领域的持续探索。

其中，论文“TIM-Seg: Text-Driven Interactive Model for Multi-Organ Segmentation in Abdominal CT” 围绕腹部 CT 多器官分割问题展开研究，提出一种文本驱动的交互式分割模型，将器官级文本先验与腹部 CT 图像信息相结合，以提升多器官分割的准确性。该研究将语言信息引入医学图像分析过程，为多模态交互式医学分割提供了新的思路。

另一篇论文“ABC-LandSeg: A Landslide Segmentation Framework Based on Adaptive Feature Selection and Boundary Correction” 聚焦遥感滑坡分割任务，针对滑坡区域尺度变化大、边界模糊以及复杂背景干扰等问题，提出了一种基于自适应特征选择与边界校正的滑坡分割框架。通过改进特征表达与边界细化策略，该方法在滑坡识别精度和泛化能力方面取得了较好的效果，为自然灾害遥感监测提供了有价值的技术支撑。

视觉计算实验室硕士生樊禧、朱陶涛参会并将展示三篇论文。会议现场融合了曼谷城市文化与人工智能元素，来自全球多地的研究者陆续抵达会场，在轻松而热烈的氛围中开启了本届 ICME 的学术交流。

卡尔加里大学Henry Leung教授主持并围绕“智能车辆应用中的预测式三维视觉”带来了报告。报告以智能车辆为核心应用背景，围绕三维场景感知、目标状态预测和自动驾驶环境理解等问题展开。Henry Leung教授指出，智能车辆系统不仅需要识别当前道路环境中的车辆、行人和障碍物，还需要进一步预测动态目标的未来运动趋势，从而支撑更安全、更稳定的路径规划与决策。

报告从三维视觉感知出发，结合智能车辆场景介绍了遮挡、密集目标和传感器噪声等实际挑战。讲者指出，三维感知不仅要理解当前空间结构，还要预测动态目标的未来状态，这对模型的鲁棒性和场景理解能力提出了更高要求。相关内容也为实验室成员理解自动驾驶中的视觉技术应用提供了参考。

随后，由李明教授和张雪平教授担任主席的Grand Challenge“环境感知语音与声音深度伪造检测挑战赛”，聚焦真实环境下语音与声音深度伪造检测问题。随着语音合成、声音克隆和生成式模型的快速发展，伪造音频已经从实验室环境逐渐走向复杂的真实传播场景。相比单纯判断一段语音是否由模型生成，真实场景中的检测任务还需要面对背景噪声、设备差异、环境混响和说话人变化等多重因素。

来自日本国立信息学研究所的王教授围绕语音深度伪造检测评估指标进行了分享，并结合伪造语音检测系列评测中的经验，讨论了当前评价体系中的若干关键问题。报告指出，深度伪造检测研究不能只关注单一指标上的性能提升，更需要思考指标是否能够真实反映模型在复杂环境中的可靠性。尤其是在环境感知条件下，检测系统需要同时具备鲁棒性、可解释性和跨场景泛化能力。该报告引发了与会者对可信多媒体、安全音频分析和评测标准设计的进一步思考。

下午的专题研讨会同样内容丰富。在Workshop“网络多媒体中的社会智能与跨文化情感计算”中，报告围绕情感计算模型、人类行为理解和跨文化社会智能展开。该研讨会由Patrick Le Callet教授和赵国英教授担任主席，关注多媒体环境下人类情绪、意图和社会行为的建模问题。

其中，关于情感计算模型的报告，Patrick Le Callet教授介绍了情感计算从传统面部表情识别向更复杂的人类状态理解发展的过程。随着网络会议、社交平台和多媒体交互场景的普及，人类情感表达不再局限于单一图像或单一表情，而是同时体现在面部、语音、姿态、文本和交互行为之中。不同文化背景下，人们表达情绪和理解情绪的方式也存在差异，这使得跨文化情感计算成为一个具有挑战性且富有现实意义的研究方向。通过该场报告，实验室成员进一步认识到，多媒体智能不仅需要理解视觉内容本身，也需要关注人与人之间、人与环境之间的复杂关系。

在Workshop“三维点云处理、分析、压缩与通信”中，与会学者围绕点云数据的表示、压缩、分析和实际部署问题展开讨论。该研讨会由袁辉教授担任主席，内容覆盖三维数据处理中的多个关键环节。点云作为三维场景表达的重要形式，在自动驾驶、机器人、增强现实、数字孪生和沉浸式通信等领域具有广泛应用。然而，点云数据通常规模较大、结构稀疏且分布不规则，这也使其在模型训练、实时推理和网络传输中面临较高成本。

报告中特别讨论了三维点云方法在实际应用中的限制与风险，包括推理成本较高、点丢失后恢复困难、生成结果质量受类别影响明显等问题。该场报告不仅关注算法精度，也强调模型部署、通信效率和实际场景可用性，为三维视觉方向的研究提供了更全面的视角。

ICME 2026 第一天的学术活动紧凑充实，内容涵盖预测式三维视觉、语音与声音深度伪造检测、跨文化情感计算和三维点云处理等方向。通过参加首日活动，实验室成员进一步了解了多媒体领域的前沿进展，拓展了国际学术视野。

地点：望江校区基础教学楼B座318实验室

分享者：姚和、杨光

Part1

分享者：姚和

分享内容：

Wimmer, Thomas, et al. "Anyup: Universal feature upsampling." arXiv preprint arXiv:2510.12764 (2025).

论文简介：

该文提出了一种名为AnyUp的特征上采样方法，可应用于任意视觉特征和任意分辨率，且无需针对特定编码器进行训练。现有的基于学习的特征上采样器，如用于DINO或CLIP特征的，需为每个特征提取器重新训练，因此在推理时无法泛化至不同的特征类型。为解决这一局限并提升上采样质量，该工作提出了一种推理时特征无关的上采样架构。实验表明，AnyUp在上采样特征方面达到了新的最佳性能，能够泛化至不同的特征类型，同时保持特征语义，具备高效性且易于应用于广泛的下游任务。

Part2

分享者：杨光

分享内容：

Z. Chen et al., "KEditVis: A Visual Analytics System for Knowledge Editing of Large Language Models," in IEEE Transactions on Visualization and Computer Graphics, vol. 32, no. 6, pp. 4818-4828, June 2026, doi: 10.1109/TVCG.2026.3694436.

论文简介：

大型语言模型（LLM）在事实问题回答方面表现出卓越的能力，但有时会给出错误的回答。为解决这一问题，知识编辑技术已成为纠正大型语言模型中事实信息的有效方法。然而，典型的知识编辑工作流程难以确定最佳的model layers集合，依赖的总结指标提供指导不足。这种缺乏透明度阻碍了有效比较和识别最佳编辑策略。本文介绍了KEditVis，一种新型视觉分析系统，旨在帮助用户通过交互式可视化更深入地理解知识编辑，提升编辑效果，并发现对未来知识编辑算法发展有价值的见解。通过 KEditVis，用户可以选择合适的model layers作为编辑目标，探索无效编辑的原因，并进行更有针对性和更有效的编辑。