踏青赏春，沐光而行

上午，阳光明媚、春意盎然，实验室全体成员结伴踏青赏春。大家漫步绿意之中，畅谈生活与科研，暂别紧张的实验节奏，尽情感受春日生机。

烟火烧烤，欢聚一堂

中午，全体成员前往曾百万自助烧烤享用午餐。炭火升腾、香气四溢，大家分工协作、动手烤制，在滋滋作响的烟火气中分享美食、交流趣事，欢声笑语不断，团队氛围温馨融洽。

潮玩减压，活力全开

下午，大家前往地心引力减压娱乐潮玩中心，开启欢乐解压之旅。

• 攀岩：挑战自我、勇攀高峰，展现不惧困难的科研精神；
• 碰碰车：尽情驰骋、欢笑不断，彻底释放日常压力；
• 保龄球、射箭：切磋技巧、比拼手感，在互动中增进默契；
• 蹦床、灵魂摆渡：舒展身心、畅享刺激，尽享潮玩乐趣。

全体成员在各项项目中尽情投入、畅快玩乐，活力与热情拉满。

火锅暖心，温情“庆生”

傍晚6点，全体成员齐聚海底捞火锅共进晚餐。热气腾腾的锅底、丰富多样的菜品，让暖意包围全场。席间，大家特别为师兄举办温馨“庆生”仪式，惊喜与祝福不断，实验室大家庭的归属感愈发浓厚。

桌游续欢，圆满落幕

晚餐后行程结束，部分成员返回实验室继续开展趣味桌游，在轻松愉快的博弈中延续一天的欢乐，为本次春游画上圆满句号。本次春游活动，让大家在繁忙科研之余放松身心、亲近自然，在互动中增进了解、凝聚力量。

地点：望江校区基础教学楼B座318实验室

分享者：徐骏驰、张键军

Part1

分享者：徐骏驰

分享内容：

[1] R. Sheng et al., "CellScout: Visual Analytics for Mining Biomarkers in Cell State Discovery," in IEEE Transactions on Visualization and Computer Graphics, vol. 32, no. 2, pp. 1497-1512, Feb. 2026, doi: 10.1109/TVCG.2025.3636102.

论文简介：

[1] 细胞状态发现对于理解生物系统和提高医疗效果至关重要。该过程的一个关键方面是识别定义特定细胞状态的不同生物标志物。然而，细胞状态和生物标志物的共同发现过程出现了困难：生物学家经常使用降维来可视化二维空间中的细胞。然后，他们通常将视觉上聚集的细胞解释为不同的状态，从中寻求识别独特的生物标志物。然而，由于集群内部的不一致，这种假设往往是无效的，使得过程反复试验且具有高度的不确定性。因此，生物学家迫切需要有效的工具来帮助揭示不同细胞群与其潜在生物标志物之间隐藏的关联关系。为了解决这个问题，我们首先设计了一种基于专家混合 (MoE) 技术的机器学习算法，以识别细胞群和生物标志物之间有意义的关联。我们与生物学家合作进一步开发了可视化分析系统CellScout，帮助他们探索和完善这些关联关系，以推进细胞状态的发现。我们通过专家访谈验证了我们的系统，并从中进一步选择了一个代表性案例来证明其在发现新细胞状态方面的有效性。

Part2

分享者：张键军

分享内容：

[1] Hu Y, Wang S, Li W, et al. Interpreters for GNN-based vulnerability detection: Are we there yet?[C]//Proceedings of the 32nd ACM SIGSOFT international symposium on software testing and analysis. 2023: 1407-1419.

论文简介：

[1] 传统漏洞检测方法由于高度依赖大量人工投入，存在明显局限性。采用自动化手段开展漏洞检测已成为研究热点，其中，深度学习方法尤其取得了显著成果。由于图结构较文本能够更有效表征代码的结构特征，基于图神经网络（Graph Neural Network, GNN）的漏洞检测方法显著优于基于文本的方法。因此，基于 GNN 的漏洞检测方法正受到越来越广泛的关注。

然而，对于安全分析人员而言，GNN 模型在很大程度上仍属于“黑盒”模型，难以提供清晰证据来解释为何某一代码样本会被判定为存在漏洞或不存在漏洞。针对这一问题，现阶段已有大量面向 GNN 的解释方法被提出。然而，这些解释方法在漏洞检测模型上的解释结果往往存在较强的不一致性，且难以令安全领域专家信服。

为解决上述问题，本文作者基于漏洞检测任务中的核心关注点，提出了一套用于评估基于 GNN 的漏洞检测器解释方法质量的原则性准则，具体包括稳定性、鲁棒性和有效性三个方面。本文作者通过大量实验，系统评估了六种经典解释方法（即 GNN-LRP、DeepLIFT、GradCAM、GNNExplainer、PGExplainer 和 SubGraphX）在四种漏洞检测器（即 DeepWukong、Devign、IVDetect 和 Reveal）上的解释性能。

实验结果表明，目标解释方法在有效性、稳定性和鲁棒性方面整体表现较差。在有效性方面，本文作者发现，实例无关方法由于能够更深入地刻画检测模型的内部机理，因此其表现优于其他方法。在稳定性方面，基于扰动的解释方法由于具备模型无关性，对模型参数的轻微变化表现出更强的适应能力。在鲁棒性方面，实例无关方法在面对相似类型漏洞时，能够提供更加一致的解释结果。

时间： 2026年4月11日(周六) 9: 00

地点： 望江校区基础教学楼B座318实验室

分享者： 魏楷臻、周寅杰

Part 1

分享者： 魏楷臻

分享内容：

Matt Deitke, Christopher Clark, Sangho Lee, Rohun Tripathi, Yue Yang, Jae Sung Park, Mohammadreza Salehi, and et al. Molmo and PixMo: Open Weights and Open Data for State-of-the-Art Vision-Language Models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 91-104.

论文简介：

如今最先进的视觉语言模型（Vision-Language Model, VLM）仍然是闭源的，而一些性能优秀的开源模型也严重依赖这些闭源VLM所提供的合成数据，这些开源模型本质上是对闭源模型的“蒸馏”。一直以来，开源社区都缺少了一个基础知识：如何从头开始构建高性能的视觉语言模型？ Molmo则是一个全新的VLM系列，其主要贡献之一是收集了数据集PixMo（PixMo的数据收集不依赖额外的大模型）。Molmo&PixMo详细介绍了多模态大模型的数据采集、模型设计、训练以及评估。Molomo系列里面最好的72B大模型不仅在开源大模型方面优于其他大模型，而且在基准测试和人类评估上也超过了更大的闭源大模型，包括 Claude 3.5 Sonnet、Gemini 1.5 Pro，仅次于GPT-4o。

Part 2

分享者： 周寅杰

分享内容：

Hao, P., Kang, D., Hinds, N., & Wang, Q. (2025). FlowForge: Guiding the creation of multi-agent workflows with design space visualization as a thinking scaffold. IEEE Transactions on Visualization and Computer Graphics.

论文简介：

多智能体工作流通过将复杂任务分解为多个子任务并分配给专业化智能体执行，已成为处理复杂问题的有效策略。然而，由于设计空间广阔且错综复杂，如何构建最优工作流仍是一项挑战。当前实践严重依赖从业者的直觉与经验，往往导致设计固化或陷入耗时且缺乏系统性的试错式探索。为应对这些挑战，本研究推出FLOWFORGE——一款交互式可视化工具，旨在通过以下方式辅助多智能体工作流的创建：一）对设计空间进行结构化视觉探索；二）基于成熟设计模式提供原位情境引导。基于形成性研究与文献综述，FLOWFORGE将工作流设计过程组织为从抽象到具体的三个层级（即任务规划、智能体分配与智能体优化）。这种结构化视觉探索机制使用户能够从高层规划无缝过渡至具体设计决策与实现环节，同时可依据多维性能指标比较备选方案。此外，借鉴经典工作流设计模式，FLOWFORGE在用户遍历设计空间时，会在各层级提供上下文感知的原位建议，通过实用性指导提升工作流创建体验。应用案例与用户研究证实了FLOWFORGE的可用性与有效性，同时揭示了从业者在工作流开发过程中探索设计空间及运用辅助引导机制的深层规律。

预答辩程序严谨规范，主要分为评审规则说明、研究成果展示及专家质询评议三个环节。会议伊始，主持人向与会人员介绍了评审专家成员，并明确了本次预答辩的评审原则与质量要点。随后，6位研究生依次就各自学位论文的研究主题、学术背景、核心工作、创新成果及论文撰写情况进行了系统性汇报。

在质询环节，专家组以严谨的学术态度，从选题的前沿性、论证的逻辑性、实验的严密性以及论文格式的规范性等多个维度，对每项研究进行了深入细致的点评。专家们针对论文中存在的问题提出了极具建设性的指导意见。参与答辩的研究生认真听取并回答了专家的质询，详细记录了各项改进建议，并与专家们就相关学术难题进行了充分的讨论。经过近4个小时的陈述与问辩，专家组对每篇论文的创新点及工作量进行了慎重的评议。专家组一致认为，参与本次预答辩的硕士研究生学位论文工作准备充分、逻辑清晰，达到了预期的学术目标，全体通过预答辩。

此次预答辩不仅是对研究生阶段性科研成果的一次集中检验，更为后续学位论文的完善与定稿打下了坚实基础。会后，同学们纷纷表示，通过专家的“把脉问诊”，进一步拓宽了学术视野，明确了后续的修改方向。活动最后，全体与会专家与师生在严谨而融洽的学术氛围中合影留念。

地点：望江校区基础教学楼B座318实验室

分享者：樊禧、邓凌竹

Part 1

分享者：樊禧

分享内容：

Li Y, Li X, Li Y, et al. Sm3det: A unified model for multi-modal remote sensing object detection[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2026, 40(8): 6717-6725.

论文简介：

随着遥感技术的迅速发展，高分辨率多模态图像如今更易于获取。传统的目标检测模型通常基于单一数据集进行训练，往往局限于特定的成像模式和标注格式。同时，多模态目标检测忽视了多模态之间的共享知识，并限制了模型在更广泛场景中的适用性。本文提出了一项新的任务，即针对遥感的多模态数据集和多任务目标检测（M2Det），旨在从任何传感器模态中准确检测水平或定向目标。这一任务面临挑战，原因在于多模态建模表达能力的限制，以及多任务优化的复杂性。为解决这些问题，本文建立了一个基准数据集，并提出了一个统一模型 SM3Det（用于多模态数据集和多任务目标检测的单模型）。SM3Det 利用网格级稀疏 MoE 主干网络实现联合知识学习，同时保留不同模态的特征表示。此外，本文提出了一种新颖的一致性和同步优化机制，使其能够有效应对不同模态和任务的学习难度差异。大量实验表明，SM3Det 具有高效性和通用性，在各个数据集上始终优于专门模型的组合。

Part 2

分享者：邓凌竹

分享内容：

Wen J, Yu H, Zheng Z. Weatherprompt: Multi-modality representation learning for all-weather drone visual geo-localization[J]. arXiv preprint arXiv:2508.09560, 2025.

论文简介：

本文针对无人机视觉地理定位在雨、雾等天气干扰下性能骤降的问题，指出现有方法存在有限天气类别导致泛化性不足和伪天气类别导致场景气特征不清晰两大问题，提出了适用于全天气无人机视觉地理定位的WeatherPrompt多模态表示学习方法。该方法借助现成多模态大模型，结合思维链（CoT）提示生成多天气文本描述，再通过文本嵌入驱动的动态门控多模态框架实现场景与天气特征的解耦，并引入图像-文本对比、匹配等跨模态损失方式以优化模型。大量实验表明，该方法在 University-1652、SUES-200 数据集及真实世界场景中均超越SOTA方法，在夜间场景Recall@1提升13.37%，雾雪场景提升18.69%，在混合未见过的天气（黑暗+雨+雾）中也实现了72.15%的AP，为航空地理定位的语言驱动先验应用提供了新范式。

1. 腹部多器官分割新范式

在医学人工智能的实际部署中，模型常面临新旧任务更迭带来的灾难性遗忘挑战。由实验室提出的PriCL-Seg框架针对这一痛点，构建了一套基于视觉语言模型（VLM）驱动的无存储持续学习体系。该工作设计了一种创新的伪标签引导知识回放机制，巧妙地融合了历史模型预测、新类标注以及 Segment Anything Model (SAM) 提供的结构先验。这种三位一体的监督信号在不存储任何历史病例数据的前提下，有效缓解了跨模态语义漂移。为了应对文本提示可能带来的噪声，研究进一步引入了置信度引导过滤模块（CFM），动态抑制低置信度的误导性预测，确保了模型在多轮任务增量后的鲁棒性。

论文《PriCL-Seg: Prior-Guided Continual Learning for Abdominal Organ Segmentation》，2025级硕士朱陶涛为第一作者，由朱敏教授和程俊龙博士指导。

2. 交互式医疗影像分割新方案

针对腹部 CT 影像中器官边界模糊、对比度低导致的分割难题，实验室推出了TIM-Seg框架。该研究尝试将深奥的解剖学文本知识转化为模型可理解的视觉导航。不同于将文本作为被动补充的传统方法，TIM-Seg 提出了双阶段影像-文本融合机制。通过文本-图像融合模块（TIFM）实现多尺度跨模态对齐，并利用文本感知模块（TAM）将PubMedBERT提取的专业领域知识注入视觉特征重建过程。研究引入了可学习的器官特异性类词元（Class Tokens），在嵌入空间中显式建模不同器官的形态差异，极大地改善了形态相似器官之间的区分度。

论文《TIM-Seg: Text-Driven Interactive Model for Multi-Organ Segmentation in Abdominal CT》，2023级硕士阳斯敏为第一作者，由朱敏教授和程俊龙博士指导。

3. 遥感影像滑坡监测新结构

在环境安全领域，实验室将视角转向了遥感影像中的滑坡灾害自动分割。针对滑坡目标尺度多变、边界与周围地物（如裸土）极易混淆的问题，提出了ABC-LandSeg框架。该框架通过在冻结的DINOv3基础模型中注入轻量化重校准模块，实现了对地理空间特征的高效提取。研究设计了自适应多层特征选择模块（AMS），能够根据输入图像动态调整不同Transformer层的权重，以应对滑坡体从数米到数千米剧烈波动的尺度挑战。此外，针对边界模糊问题，引入了边界不确定性修正头（BUC），利用不确定性引导模型对边缘区域进行精细化微调。

论文《ABC-LandSeg: A landslide segmentation framework based on adaptive feature selection and boundary correction》，2024级硕士樊禧为第一作者，由朱敏教授指导。

这三项工作共同构成了视觉计算实验室在视觉模型落地应用上的实践：通过将领域专家知识与基础模型底座深度锚定，实现了从“通用感知”向“垂直行业精细化作业”的跨越。无论是守护生命健康的精准医疗，还是保障生态安全的自然灾害监测，实验室正持续推动AI技术在真实复杂环境中的可靠部署。

地点：望江校区基础教学楼B座318实验室

分享者：刘宜松、杨阳

Part 1

分享者：刘宜松

分享内容：

Gu X, Shen Y, Luo C, et al. Knowing your target: Target-aware transformer makes better spatio-temporal video grounding[J]. arXiv preprint arXiv:2502.11168, 2025. ICLR(Oral)

论文简介：

近年来，随着 Transformer 架构在视觉与语言领域的广泛应用，基于其端到端建模能力和优越性能，时空视频接地（STVG）任务逐渐成为研究热点。STVG旨在根据自然语言描述，在视频中精确定位目标的时空范围，是多模态理解的重要方向之一。现有基于Transformer的STVG方法通常依赖一组对象查询（Object Queries）来进行目标定位。这些查询往往采用零初始化，并通过与视频和文本的多模态特征进行多轮交互，逐步学习目标信息。尽管该策略实现简单，但由于缺乏明确的目标先验，这类方法在复杂场景（如遮挡、干扰或背景混杂）下，往往难以有效区分目标与非目标区域，导致性能下降。针对这一问题，这篇文章提出了一种目标感知的时空视频接地模型——TA-STVG（Target-Aware Transformer for STVG）。该方法的核心思想是：不再使用无信息的初始查询，而是直接从视频-文本对中挖掘目标相关线索，自适应生成对象查询，从而提升模型的判别能力。具体而言，TA-STVG包含两个关键模块：文本引导的时间采样（TTS）：利用整体文本语义，从视频中筛选出与目标最相关的关键时间片段；属性感知的空间激活（ASA）：在已筛选的时间线索基础上，进一步挖掘目标的细粒度视觉属性信息，用于指导对象查询的初始化。这两个模块级联工作，使生成的对象查询天然携带目标相关信息，从而能够更有效地与多模态特征进行交互，学习更具区分性的表示。在多个主流基准数据集（如HCSTVG-v1、HCSTVG-v2和VidSTG）上的实验结果表明，TA-STVG显著优于现有方法，达到了新的性能水平。此外，所提出的TTS和ASA模块具有良好的通用性，在集成到现有方法（如 TubeDETR 和 STCAT）中时，同样带来了稳定且显著的性能提升。本工作为STVG任务提供了一种新的思路：通过显式引入目标感知机制，打破传统零初始化查询的限制，为复杂场景下的多模态理解提供了更具鲁棒性的解决方案。

Part 2

分享者：杨阳

分享内容：

Zhang, Fan, Zhiwei Gu, and Hua Wang. "Decoding with structured awareness: integrating directional, frequency-spatial, and structural attention for medical image segmentation." arXiv preprint arXiv:2512.05494 (2025).

论文简介：

为了解决Transformer 解码器在捕获边缘细节、识别局部纹理以及建模空间连续性方面的局限，本文提出了一种面向医学图像分割的全新解码器框架，由三个核心模块组成。首先，自适应交叉融合注意力（Adaptive Cross-Fusion Attention，ACFA）模块将通道特征增强与空间注意机制相结合，并引入三个方向（平面、水平与垂直）的可学习引导，以增强模型对关键区域与结构方向的响应能力。其次，三重特征融合注意力（Triple Feature Fusion Attention，TFFA）模块融合空间域、傅里叶域与小波域特征，实现频率-空间的联合表征，从而在保留边缘与纹理等局部信息的同时，加强全局依赖与结构建模，尤其适用于结构复杂与边界模糊的场景。最后，结构感知多尺度掩蔽模块（Structural-aware Multi-scale Masking Module，SMMM）通过利用多尺度上下文与结构显著性过滤来优化编码器与解码器之间的跳跃连接，有效减少特征冗余并提升语义交互质量。三者协同工作，不仅弥补传统解码器的不足，还能显著提升肿瘤分割、器官边界提取等高精度任务的表现，提高分割精度与模型泛化能力。实验结果表明，该框架为医学图像分割提供了一种高效且实用的解决方案。

 在多模态融合与跨域自适应方面，实验室提出了一套从“医疗场景”到“开放环境”的体系。无论是医学影像中复杂的解剖结构，还是自动驾驶、安防监控中低照度、雨雪等极端天气，单一模态的数据往往难以提供可靠的视觉线索。针对医学图像天然存在的巨大模态差异，由2025级博士研究生卢玉杰作为第一作者提出、入选CVPR 2026的SegMoTE框架，首次将Token级别的混合专家系统引入医学分割领域。该机制摒弃了传统微调中对庞大参数和数据规模的依赖，模型能够根据输入的影像模态自动“点将”，动态激活最合适的专家Token，以极少的参数量跨越了通用视觉模型向医学场景迁移的鸿沟。

 无独有偶，在面对开放场景下可见光（RGB）与热红外（TIR）的双模态目标跟踪难题时，由2025级博士研究生刘宜松作为第一作者提出、入选CVPR 2026 Finding的MOSSTrack框架，也展现了异曲同工的融合智慧。与传统方法采用统一时空建模导致引入背景噪声不同，MOSSTrack将模态特定线索引入特征级别的时空上下文学习中。它既能像SegMoTE一样保留各模态的独特视觉特征，又通过创新的时空信息生成器（STIG）精准捕捉目标在动态环境中的剧烈变化，在四大极具挑战性的RGB-T跟踪基准测试中均达到了SOTA性能。

 在解决了多模态怎么融的问题后，实验室进一步攻克了微小目标怎么抓的精细化难题。 无论是医学多器官分割还是开放环境的目标追踪，目标的边界模糊与尺度剧变始终是制约精度的瓶颈。为此，SegMoTE不仅构建了包含15.4万个高质量掩码的MedSeg-HQ数据集，还设计了渐进式提示词元化机制，引导模型自主学习前景与背景的语义边界。而针对结肠息肉这类极易漏诊的微小病灶，由2025级硕士研究生杨阳作为第一作者提出、入选ICASSP 2026的MSPN（多阶段渐进网络），则将这种精细化推向了极致。该研究提出了一套定位-识别-精细化的结构化流程，并引入适应性加权损失函数（AW Loss），强制模型将注意力集中在最难区分的模糊边界和极小目标上，在多个公开基准数据集上全面超越了现有主流分割算法。

 这三项研究从宏观的模态自适应迁移，到微观的多尺度病灶精准分割，不仅提出了创新的网络架构，更为计算机视觉技术从实验室走向临床诊断、大规模筛查以及复杂户外设备部署提供了切实可行的技术路径。未来，VCL 318实验室将继续深耕三维医学影像分析与全模态通用跟踪器构建，持续推动视觉大模型向更高泛化性与更强实用性发展。

地点：望江校区基础教学楼B座318实验室

分享者：朱陶涛、姚和

Part 1

分享者：朱陶涛

分享内容：

Gao Y, Liu D, Li Z, et al. Show and segment: Universal medical image segmentation via in-context learning[C]//Proceedings of the Computer Vision and Pattern Recognition Conference. 2025: 20830-20840.

论文简介：

由于解剖结构、成像模式和分割任务的巨大多样性，医学图像分割仍然具有一定的挑战性。尽管深度学习目前取得了重大的进展，但当前的方法由于需要针对特定​​任务的训练或对看不见的类进行微调，很难推广到实际的医疗场景下。该研究提出了Iris，一种新颖的上下文参考图像引导分割框架，可以通过使用参考示例来灵活适应新颖的任务，而无需进行微调。Iris 的核心是一个轻量级上下文任务编码模块，该模块从参考上下文图像标签对中提取特定于任务的信息。这种丰富的上下文嵌入信息用于指导目标对象的分割。通过将任务编码与推理解耦，Iris 支持从一次性推理和上下文示例集成到对象级上下文示例检索和上下文调整的多种策略。该研究通过对 12 个数据集的综合评估，证明了 Iris 在分布任务上的表现优于特定任务模型。在七个保留的数据集上，Iris 对分布外数据和未见过的类表现出优异的泛化能力。此外，Iris 的任务编码模块可以自动发现数据集和模式之间的解剖关系，无需明确的解剖监督即可提供对医疗对象的见解。

Part 2

分享者：姚和

分享内容：

Zhao, Tianyi, et al. RGBT-Ground Benchmark: Visual Grounding Beyond RGB in Complex Real-World Scenarios. arXiv preprint arXiv:2512.24561 (2025).

论文简介：

视觉定位（Visual Grounding, VG）旨在根据自然语言表达在图像中定位特定物体，是视觉-语言理解中的一项基础任务。然而，现有的VG基准测试大多源于在受控环境下收集的数据集（如COCO），其场景多样性较为有限。因此，这些基准无法反映现实世界条件的复杂性，例如光照和天气的变化等，而这些因素对于在安全关键型应用中评估模型的鲁棒性和泛化能力至关重要。为解决上述局限性，该研究提出了RGBT-Ground，这是首个为复杂现实场景构建的大规模视觉定位基准。该基准包含空间对齐的RGB和热红外（Thermal infrared, TIR）图像对，并配有高质量的指代表达、相应的物体边界框，以及在场景、环境和物体层面的细粒度标注。这一基准支持全面的评估，并有助于研究在多样且具挑战性的条件下的鲁棒定位。此外，该工作还建立了一个统一的视觉定位框架，支持单模态（仅RGB或仅TIR）和多模态（RGB-TIR融合）的视觉输入。基于此框架，作者提出了RGBT-VGNet，这是一种简单而有效的基线方法，用于融合互补的视觉模态以实现鲁棒的定位。研究团队在RGBT-Ground上对现有方法进行了广泛的适应性改造。实验结果表明，所提出的RGBT-VGNet在性能上显著优于这些经过改造的方法，尤其是在夜间和远距离场景中。

地点：望江校区基础教学楼B座318实验室

分享者：卢玉杰、李天豪

Part 1

分享者：卢玉杰

分享内容：

 Kabra R, Ovsjanikov M, Hudson D A, et al. A Mixed Diet Makes DINO An Omnivorous Vision Encoder[J]. arXiv preprint arXiv:2602.24181, 2026.

论文简介：

 像 DINOv2 这样的预训练视觉编码器在单模态任务上已经展现出了卓越的性能。然而，我们观察到它们的特征表示在不同模态之间缺乏良好的对齐。例如，同一场景的 RGB 图像及其对应深度图的特征嵌入所表现出的余弦相似度，几乎与两张完全随机、不相关的图像的相似度一样 。为了解决这个问题，我们提出了“杂食性视觉编码器”，这是一个能够学习与模态无关特征空间的新颖框架 。我们使用双重目标来训练该编码器：首先，最大化同一场景下不同模态之间的特征对齐 ；其次，使用一个蒸馏目标，将学习到的表征锚定在一个完全冻结的教师模型（如 DINOv2）的输出上 。由此产生的学生编码器通过为特定场景生成一致且强大的特征嵌入，从而变得“杂食”，而无论输入的模态是什么（RGB、深度图、分割图等） 。这种方法在实现了鲁棒的跨模态理解的同时，也保留了原始基础模型极具判别力的语义信息 。

Part 2

分享者：李天豪

分享内容：

 Luo Y, Zhao X, Ye K, et al. Stinr: Deciphering spatial transcriptomics via implicit neural representation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2025: 25930-25939.

论文简介：

 空间转录组学（Spatial Transcriptomics，ST）是一类新兴技术，用于揭示组织内部基因表达的空间分布，是发掘生物学机制的重要手段。然而，不规则的空间分布结构以及基因表达的高度变异性，使得在计算框架下有效整合空间信息与基因表达数据变得具有挑战性。当前的算法大多利用空间图神经网络来编码空间信息，但这种方法可能会带来较高的计算成本，并且在描述复杂空间结构时缺乏足够的灵活性。在本研究中，提出了一种简洁而有效的表示框架STINR，用于解析空间转录组数据。STINR利用隐式神经表示（Implicit Neural Representation, INR）对空间转录组数据进行连续表示，通过继承INR的隐式平滑特性，能够高效刻画ST数据中的空间相关性以及切片间相关性。STINR还能够在无需对齐的情况下更容易地整合多张组织切片以及多组学数据，并可作为一种强大的工具应用于多种生物学任务，包括基因表达补全、基因去噪、空间结构域识别以及细胞类型解卷积等。特别地，STINR成功识别出了背外侧前额叶皮层中最薄的皮层层级，这是以往方法未能实现的；同时，它还能更加准确地识别人类鳞状细胞癌中的肿瘤区域，展示了该方法在生物学发现中的实际应用价值。

会议的“个人总结”环节，由实验室全体成员，按照年级顺序依次汇报。

首先，是22级的博士研究生汇报。正在新加坡公派联合培养的兰天中围绕学术论文撰写、ACM MM/MICCAI/AAAI的三次高水平国际学术会议等方面展开分享，王国强分享了结合本职工作的AI探索与实践、科研项目推进、学位论文进展等。他们以自身经历为基础，详细介绍了过去一年在科学研究中取得的成果。

随后，23级学生展开了年终总结汇报。过去一年，他们的工作主要集中在实习/求职、学位论文撰写和项目经验积累等方面。魏楷臻博士围绕机场建设相关工作介绍了一年工作与科研收获；王启鹏讲述了这一年在学术与生活中的成长；管弦以多个动物意向为线索介绍自己一年内各方面体会；杨璐歌讲述这一年在实习、工作、项目与生活之中的平衡与体会；蒋林呈以压力折线图展现个人一年的行动与努力；甘霖重点讲述自己的面试经验心得。23级学生的分享展示了他们在一年中面对多线程学习与工作的应对策略和成长经验。

然后，24级学生依次进行了年度汇报。邓凌竹围绕博士学业、在职工作与科研项目等方面进行了分享；姚和聚焦于实验室算力建设、科研项目进展及学术成果；樊禧则从助教工作、论文投稿、科研项目以及实习经历等多个维度展开交流；张键军分享了项目实施经验，以及作为工程硕博士专项研究生的入企实践经历；徐骏驰介绍了其在财务统筹、助教工作、科研项目参与及学术会议交流等方面的体会；周寅杰则重点讲述了科研项目推进与小论文撰写的心得。整体来看，24级学生的汇报充分展现了他们在过去一年中在科研实践与学术探索中的深入思考与成长收获。

2025级同学作为新入学的硕博生，卢玉杰汇报分享了从硕士到博士的身份转变、项目参与以及博士新成果等方面的收获与体会；刘宜松从硕士毕业到加入实验室后的项目参与讲述自己的体会；王翔坤结合本职工作，以研招工作为引展示自己的年终体会；王艺蒙介绍了自己从论文研读中获得的科研经验；邓子祎讲述自己在忙碌学习与项目中的人生感悟；杨鑫月在进入实验室后，通过开展多个“第一次”的科研活动，收获了宝贵经验；朱陶涛讲述了自己充实的一年与反思，并对自己的能力提升寄予厚望，展述了自己的人生规划；杨阳也在年终总结中分享了课程助教、写作经历，并对ICASSP论文工作中程俊龙博士的指导表示感谢。

最后，26级拟录取硕士和博士申请者进行了年度汇报。杨光介绍了推免经历、毕业设计开题以及参与科研项目的情况，博士候选人则围绕论文成果、项目申报、学术交流与综合能力等方面展开分享。总体而言，26级学生的汇报生动展现了他们在录取前一年所开展的各项工作与成长历程。

“实验室事务总结”环节，由担任实验室总管、实习生负责人、财务负责人、专利及网管负责人、技术负责人的各位同学，围绕所承担的具体工作依次汇报。杨鑫月从实验室总管角度，汇报了关于个人保险购买、实验室秋游、羽毛球比赛等团建活动及日常事务的组织情况，重点讲述了她将工作融合进平时生活中，随时为实验室服务的体验。邓子祎围绕实习生管理，介绍了2025年实习生招募方式，并说明在其协助下，实习生取得的成果在数量及质量上均得到进一步提升，同时展望了2026年实习生管理工作的提升方向。徐骏驰负责实验室财务管理，从年度工作概述、实验室支出分析、后期工作建议三个方面，对过去一年实验室的各项支出进行了汇总，并在实验室的共享文档部分更新了报销攻略，便于实验室成员浏览提升效率。专利及网管负责人王艺蒙总结了2025年专利和软件著作权的申请情况，以及专利申请过程中的特殊类型申请，同时对网管工作中网络升级和梳理和分享。王启鹏代表可视化、生信、计算机视觉三个方向的技术负责人，总结并汇报了实验室在过去一年中取得的学术成果增长以及科研训练内容改进，并对未来一年实验室的发展与建设提出了新的展望。

在“项目汇报”环节，各在研与结题项目的负责人围绕项目背景、实施进展及后续规划进行了系统汇报。姚和介绍了成都市科技局“矿产***关键技术及应用”项目的技术路线与阶段性成果，展示了人工智能在行业的创新应用；王启鹏汇报了中电科30所“***数据分析软件研发”项目的开发进展，重点阐述了系统架构优化与数据可视化能力的提升；周寅杰分享了四川省邮政“***智慧应用场景服务项目”中数据模型部分的构建过程与实际应用成效；王国强对国家重点研发课题5的研究进展进行了总结，强调了多源数据融合与智能预警机制的突破；刘宜松汇报了重点研发课题4的研究成果，提出了一套面向高危场景的风险评估模型；张键军则介绍了中电科10所“***表征学习技术”项目的技术难点与算法创新，展现了在复杂环境下目标行为建模的最新进展。汇报全面呈现了实验室在多个重要科研项目中的扎实工作与阶段性成果。

实验室还邀请了 2026 年度英才计划高中生参加本次年终总结大会，并为他们发放了启迪思维的一套《数学万花筒》以及四川大学图书馆借阅证，勉励他们保持探索热忱，夯实知识根基，勇于创新实践，成长为兼具学识与担当的青年科技人才。

随后，实验室负责人朱敏教授作了年终总结发言。朱老师首先对全体同学在本次年终总结汇报中呈现的高质量内容给予了充分肯定与高度评价。随后，朱老师详细对比了2020-2025年的学术论文、发明专利等成果输出，以及项目申请与实施推进，全面复盘了实验室过去一年的发展态势，系统梳理了各项工作取得的积极进展，并对全体成员在科研攻坚与实验室建设中付出的辛勤努力、作出的重要贡献表示了诚挚感谢。在个人工作回顾环节，朱老师分享了自身年度工作感悟，并针对同学们在汇报中集中反映的共性问题，结合自身经历给出了宝贵的指导建议。最后，结合不同年级学生的成长阶段与发展目标，朱老师为全体成员提出了兼具针对性与前瞻性的殷切期望。

最后，备受全体成员瞩目的 “实验室总结与奖励” 环节正式开始。为鼓励和奖励研究生在科学研究方面取得的成绩，实验室设立了学术论文、专利申请、项目申请、项目推进等多项奖励，其中实验室的高水平论文奖励、项目申请奖励、项目贡献奖励，相比去年都呈现了翻番的增长趋势。同时，实验室还设立了最佳讲者、年级突出贡献、实验室突出贡献等多个奖项并通过投票产生。其中王启鹏、杨璐歌、樊禧荣获最佳讲者奖项，三位讲者都用诙谐有趣的语言讲述自己一年来的收获与成长，赢得全场掌声。王启鹏、姚和、杨鑫月、徐骏驰、王艺蒙获得实验室特别贡献成员奖项。各年级中，2023 级王启鹏、2024 级姚和、2025 级杨鑫月荣获年级最佳贡献成员奖，在各自年级中表现突出、贡献显著。

2025 年度视觉计算实验室年终总结大会圆满举行。此次大会既是对过去一年工作的全面盘点，更是对未来发展的凝心聚力。每一位成员的并肩同行与不懈奋斗都是不可或缺的，视觉计算实验室将在新的一年里继续携手共进，再创佳绩！

今天上午，实验室22级博士生兰天中在分会场进行了论文口头汇报。报告围绕其工作 “GeoCoBox: Box-supervised 3D Tumor Segmentation via Geometric Co-embedding” 展开：在三维医学影像分割中，像素级标注成本高、难以规模化，而框标注（box）提供更可获得的弱监督信号。报告中通过清晰的结构与对比实验，展示了方法在边界刻画与形状一致性上的优势。报告后会场掌声热烈，并有多位听众连续提问，讨论点集中在弱监督约束、跨数据集泛化表现、以及方法落地到真实临床流程时的鲁棒性与可复现性等关键问题。会后，兰天中的报告得到了分会场主席徐衍玉和罗迪新的认可。

下午的海报区几乎进入高饱和状态：从远处望去，展板通道里人来人往，计算机视觉等研究方向的区域格外拥挤；近处看，很多交流并不是象征性围观，而是直接把问题进行深入探讨，包括数据设置、指标选择、消融结论、失败案例、以及能否开源等，往往三两句话就能把讨论推进到下一步怎么做。这种密集的面对面交流，是线上阅读论文最难替代的部分：在这里能看到对方停顿、追问、反驳与补充，也能在短时间内捕捉一个方向真正的争议点和突破口。

报告 “DiA-gnostic VLVAE: Disentangled Alignment-Constrained Vision-Language Variational Auto Encoder for Robust Radiology Reporting with Missing Modalities” 关注视觉-语言（Vision-Language）在放射学报告生成中的可靠性问题，尤其强调模态缺失时的稳健推理。这类工作反映出多模态研究正从拼接输入到对齐机制、可解释结构与鲁棒鲁棒性，这更贴近真实医疗场景的噪声与缺口。

报告 “Breaking Task Boundaries: A Unified Model for 3D Medical Image Fusion and Segmentation Guided by Manifold Perspective” 将3D 医学影像融合与分割放在统一框架中讨论，并引入流形视角来组织表示学习。这类统一任务边界的尝试，体现出今年对多任务、多模态协同的强烈需求：不仅要做对单一任务，还要在复杂链路中保持一致性与可迁移性。

从口头报告与海报区的高频话题来看，AAAI 今年的研究热点依然围绕多模态（尤其视觉-语言）、多智能体、域适应以及强化学习。期待实验室在这些主线课题不断产出新作品，把今天会场里最“火”的问题，变成下一篇更“硬”的答案。

在首日大会环节中，一个格外鲜明的“前沿信号”来自大会自身的组织方式：主会介绍了两阶段评审流程，在第一阶段以多位人工评审为基础，引入大语言模型评审辅助，针对边界案例进行升级处理；在第二阶段进一步增加人工评审数量，并由资深委员综合给出推荐。这是大模型时代学术共同体对现实问题的直接回应。当投稿规模与研究分支不断膨胀，如何在更高吞吐下仍尽可能守住评审质量与一致性，成为会议治理与学术生态的一部分。

另一组投射在大屏上的数据把这种“全球同场”具象化：作者国家分布（Authors per Country）以地图与榜单形式呈现，显示中国作者数量位居前列，其后是美国、韩国、新加坡、英国等国家和地区。数据背后，是不同研究传统、产业生态与应用场景在同一会议框架下的汇聚，也正因此，走廊、分会场门口与展板之间常常出现临时小组讨论：有人追问实验设置，有人交换可复现代码线索，也有人在下一场报告开始前快速约定会后深入交流。临近春节，大会现场也出现了节庆元素：一场带有东方节庆气息的舞台表演成为会场间歇的亮点。学术会议的节奏通常紧凑而克制，但当鼓点与灯光融入开幕氛围，现场的情绪被短暂拉高，随即又迅速回到论文与问题本身，这恰恰像 AI 研究本身：热度之外，最终仍要落在可验证的结论与可持续的讨论上。

在海报交流区，最能感受到前沿内容的思维碰撞。实验室22级博士生兰天中展示的工作“GeoCoBox: Box-supervised 3D Tumor Segmentation via Geometric Co-embedding”张贴在海报墙上，引来参会者驻足。该研究瞄准医学影像中的真实痛点：三维肿瘤分割高度依赖像素级标注，成本高且难以规模化；而框（box）监督提供了更低门槛的弱监督信号。团队尝试通过几何共嵌入框架，将弱标注转化为可学习的结构约束，以更低标注成本获得更可靠的三维分割效果。现场讨论集中在弱监督信号的“约束强度”、不同数据分布下的泛化表现，以及方法在临床真实场景中的落地可行性等关键问题。

分会场口头报告同样体现了首日的“高密度交流”。来自四川大学的其他团队报告了研究成果——RoSE: A Role Correlation Structure-Enhanced Model for Multi-Event Argument Extraction，该成果聚焦多事件论元抽取的结构化建模难题开展研究，报告后的提问交流主要围绕结构设计的有效性、跨域数据上的稳定性，以及与现有抽取框架的差异与互补展开，现场互动直接、聚焦且富有建设性。

AAAI 主会议首日的关键词可以概括为两句话：一是“规模化”，从会场规模到作者分布，再到评审机制的演进；二是“落地感”，研究者在海报墙前把方法拆成可讨论的部件，在分会场把模型拆成可检验的假设。

本次答辩由朱敏老师主持，首先介绍了各位答辩专家和答辩议程安排，并对于中期分流暨开题答辩的原则和要点进行了说明。然后，24级硕士研究生樊禧、徐骏驰、张键军、周寅杰依次进行研究生学业中期进展汇报、学位论文开题汇报和专家问辩。本次答辩人员的研究方向包括计算机视觉、可视化与可视分析和工控网络安全。

4位研究生分别从课程学习、项目工作、学术成果、学术活动、实践活动等方面对自己的学业进展进行汇报，随后从研究背景、研究现状、研究内容、时间规划等方面对自己的学位论文开题进行汇报。专家对每位同学汇报的内容进行了点评，指出了他们在展示内容、方式和细节上存在的问题，讨论了学位论文开题工作现存的问题，如开题选题的必要性、研究现状的衔接性和研究方案的可行性等，并提供了许多指导性的改进建议。各研究生认真倾听了专家的建议，明确了后续的改进方向。

答辩专家经过评议与讨论，对所有同学的研究生学业中期进展和学位论文开题均给予认可，即中期考核合格、学位论文开题通过。最后，朱敏老师对本次答辩情况进行总结，宣布答辩结果。

恭喜本次参与答辩的24级硕士研究生均通过中期考核，感谢各位专家的指导，感谢实验室各位同学的准备工作，感谢所有与会人员的参与，视觉计算实验室2024级硕士研究生中期分流暨开题答辩圆满结束！