1. workshop 世界模型

世界模型旨在赋予AI理解物理规律并预测未来状态的能力，是通往通用人工智能及高级具身智能的关键技术路径。讲者回顾了具身视角下世界模型的历史溯源 。报告深入探讨了具身世界模型的建模对象，包括动力学模拟器、状态编码器及奖励预测器的协同机制。通过对比发现，该算法在样本效率及多步规划能力上显著优于传统的Off-policy方法，有效降低了策略优化的试错成本。

2. workshop 多模态大模型：精细感知

精细感知侧重于对图像中细微特征、局部部件及其复杂关系的深度建模，是解决工业缺陷检测等高精度任务的核心。东南大学的讲者在Workshop 中分享了面向细粒度视觉对象的强判别性图像表示学习 。针对复杂环境、标记受限及海量数据三大挑战，报告重点介绍了鲁棒细粒度图像识别中的部件关系建模，以及在少样本和长尾分布下的细粒度检测与检索技术，为精细化感知提供了系统性的解决方案。

3. workshop 遥感解译：空天跨域目标关联

遥感解译利用高空传感器获取的影像进行目标分类与提取，在国土监测、环境评估及军事侦察中具有不可替代的战略价值。在Workshop 中，讲者展示了“空天跨域目标关联”的最新实测验证工作 。报告通过对比基线方法与提出方法在常规场景及噪声场景下的表现，证明了新方法在处理复杂空天环境下跨域目标匹配时的正确性与鲁棒性，显著提升了跨平台情报协同的精度。

4. workshop 多模态学习助力智慧医疗

智慧医疗通过整合放射影像、病理切片及临床病历等多模态数据，利用AI实现疾病的自动辅助诊断，极大提升了医疗诊断的效率与准确性。本Workshop聚焦于科研向落地的转化 。报告展示了利用三维自动分割技术实现肾脏、肾肿瘤及肾周特定范围内脂肪ROI（感兴趣区域）的精准提取。三维自动分割效果的可视化结果表明，AI辅助系统能够为复杂手术规划提供清晰的解剖结构参考。

5. 持续学习与持续智能体

持续学习旨在使AI能够像人类一样在学习新知识的同时，克服“灾难性遗忘”，维持对旧任务的记忆与鲁棒性。天津理工大学的讲者探讨了持续学习中的抗干扰挑战 。报告指出，在持续学习过程中加入对抗攻击会导致遗忘现象更加严重。通过对比LwF、EWC-on、SI及RAPF等多种方法，研究展示了如何在保持干净样本性能的前提下，有效缓解遗忘并提升对抗鲁棒性。

6. 自动驾驶：无图零样本视觉导航

自动驾驶技术正向“去地图化”与“端到端”演进，要求车辆能够在陌生、复杂的封闭空间（如地下车库）具备自主感知与推理能力。讲者分享了在地下车库场景下的无图零样本视觉语言导航技术 。报告详细展示了系统如何结合短期记忆与视觉语言模型进行推理。例如，VLM能通过分析电梯厅标识的文字和箭头方向，自主做出向左转的动作决策，实现了无需预建地图的高级导航。

7. 优秀学生论坛

优秀学生论坛是VALSE的重要特色，旨在挖掘并展示青年学子在视觉与学习领域的创新思维与潜力，促进学术薪火相传。Workshop 16汇聚了来自清华、上海交大、港大等名校的顶尖学生代表 。在热烈的学术氛围中，优秀学子们分享了他们在多模态大模型、高效推理及三维重建等领域的突破性工作，展现了中国人工智能新一代研究者的风采。

1. Tutorial：聚焦人工智能前沿发展

上午举行的 Tutorial“视觉基础模型”吸引了大量参会者到场交流。报告围绕视觉基础模型、多模态视觉学习以及通用视觉表征等方向展开，重点讨论了视觉大模型在复杂视觉理解、多任务协同以及跨模态场景中的应用与挑战，并对未来视觉基础模型在具身智能与通用人工智能中的发展前景进行了展望。现场参会者围绕模型架构、训练范式以及多模态融合等问题展开了热烈讨论。

下午举行的 Tutorial“具身智能基础模型”与“空间智能”进一步拓展了基础模型在真实世界场景中的应用。报告围绕具身感知、环境交互、空间理解以及三维场景建模等方向展开，重点探讨了基础模型在机器人感知与行动协同、空间推理以及开放世界环境中的关键挑战与发展趋势。与会者围绕具身智能与空间智能未来在机器人、自主系统以及数字世界中的应用前景进行了深入交流。

2. Workshop：多方向前沿议题深入展开

Workshop “智能推理：视觉推理、科学推理”聚焦当前人工智能领域备受关注的模型推理能力问题，重点探讨了多模态推理、大模型推理能力增强以及复杂科学问题求解等方向。与会学者围绕视觉推理与科学推理的关键挑战进行了深入交流，现场讨论氛围活跃。

Workshop “大语言模型与人机交互”重点关注大模型驱动下的新型交互模式，围绕自然语言交互、多模态对话以及智能助手系统的发展趋势展开分享。报告讨论了生成式AI在人机协同与智能交互中的应用潜力，并对未来多模态交互系统的发展方向进行了展望。

Workshop “未来终端影像技术”主要围绕端侧设备中图像处理技术展开讨论，与会者重点探讨了生成式AI与轻量化模型在移动终端、智能设备等场景中的应用潜力，并围绕端侧视觉模型的实时性、计算效率与成像质量优化等关键问题进行了深入交流。

Workshop “视频生成技术”围绕当前生成式AI背景下的视频生成与理解技术展开讨论，多位学者分享了视频领域相关研究的最新进展，并结合当前大模型的发展趋势，对视频生成技术未来的发展方向与应用前景进行了交流。现场讨论氛围活跃，与会者围绕生成式AI在视频领域中的研究热点与关键挑战展开了深入探讨。

IVMSP 分会场围绕医学图像处理方向展开论文汇报。该分会场内容与 BISP 方向具有较强交叉性，既关注医学图像分析中的模型性能，也关注临床应用中的效率、鲁棒性和可部署性。

首先，SAMM 相关工作（论文标题：“SAMM: Segment Anything Mamba Model for General Medical Image Segmentation”）关注通用医学图像分割问题。尽管 Segment Anything Model（SAM）在自然图像中表现突出，但在医学图像中仍面临领域差异、标注稀缺以及不同模态噪声等挑战。该工作在保留 SAM 提示编码器和掩码解码器的基础上，引入状态空间模型编码器与轻量级 CNN 分支，并通过跨分支特征融合提升局部细节与全局信息的结合能力，从而增强模型在多类医学分割任务中的泛化表现。

随后，Direct Rician-domain Processing 相关工作聚焦 MRI 图像去噪与微结构保留问题。MRI 图像常受到 Rician 噪声影响，细微解剖结构容易被噪声掩盖。传统方法常通过变换近似高斯噪声进行处理，但可能导致噪声估计不准或高噪声区域过度平滑。该工作直接在 Rician 域中建模噪声，并结合噪声感知滤波与自适应锐化策略，在抑制噪声的同时尽量保留细节结构，为医学图像质量提升提供了新的处理思路。

DuoTracker 相关工作关注临床筛查中的眼动追踪问题。可靠的眼动信号获取可为抑郁症等临床研究提供非侵入式数字生物标志物。该工作提出一种多视角视频模型，用于医院环境下的屏幕二维注视点估计，并通过置信度路由机制在常规输入与遮挡、头部偏转等困难样本之间选择合适分支。该研究展示了计算机视觉方法在临床行为信号采集与数字健康评估中的应用潜力。

最后，Swin-DS 相关工作关注腔隙性脑梗死检测问题。腔隙性脑梗死病灶通常体积较小，且在形态上容易与相似结构混淆，因此自动检测面临较高难度。该工作提出结合深度监督与几何引导的 Transformer 框架，同时进行分割与距离图回归，并通过多尺度监督提升模型对小病灶的检测能力。该研究强调了医学影像任务中敏感性与假阳性控制之间的平衡。

可以看出，IVMSP 与 BISP 的交叉研究正在从单一医学图像任务扩展到更广泛的临床智能场景。无论是医学图像分割、配准、去噪，还是眼动追踪和病灶检测，相关工作都在尝试将视觉模型、状态空间模型、硬件加速和临床需求结合起来，推动医学人工智能向更可靠、更高效和更可用的方向发展。

闭幕典礼环节对本届会议的组织工作进行了总结，并向合作伙伴、志愿者、赞助商和会务团队表示感谢。大会还介绍了最佳论文奖等相关奖项情况，展示了本届会议在学术交流、组织服务和国际合作方面的成果。

ICASSP 2026 最后一天在专业分会场汇报与闭幕典礼中结束。本日内容进一步展示了信号处理、图像视频分析与医学人工智能之间的交叉融合，也为本次参会经历画上了完整句号。

1. 大模型高效计算与推理

讲者：戴国浩（上海交通大学）

随着大模型参数规模的激增，如何优化算力利用率并实现模型在各类硬件上的快速推断成为工业界关注的焦点 。戴教授针对当前大模型面临的算力瓶颈，梳理了高效计算与推理的关键技术进展 。他分析了硬件加速、算子优化及轻量化部署等方向的最新成果，为实现更快速、更低能耗的大模型应用落地提供了参考。

2. 开放世界目标检测

讲者：秦杰（南京航空航天大学）

开放世界感知要求系统能够在识别已知类别的同时，自主发现并学习现实环境中不断出现的未知目标 。 秦教授针对传统检测模型在处理未知类别时的局限性，评述了开放世界目标检测的最新研究成果 。他探讨了如何通过知识迁移与开集识别技术，使智能系统在动态变化的环境中具备持续学习与自主发现的能力 。

3. 基于大语言模型的智能体

讲者：郝建业（天津大学）

智能体（Agent）作为大模型的高阶形态，能够模仿人类进行任务分解、工具调用及环境自主规划，标志着从对话向行动的跨越 。 郝教授对大语言模型驱动的智能体进行了深度综述 。报告分析了智能体在任务规划、环境反馈及多机协同等方面的决策机制，展示了从单一语言模型向具备实际执行能力的人工智能实体的转变。

4. Omni 大模型

讲者：傅朝友（南京大学）

多模态交互大模型旨在消除文本、图像、语音间的界限，实现全感官协同的自然交互与语义理解 。 傅教授介绍了多模态交互大模型（Omni Models）的年度进展 。报告重点分析了全模态统一表征与跨模态对齐的最新范式，展示了 Omni 大模型在处理复杂图文对话、音视频理解等任务中的表现。

5. Speaking the Language of Space: Automating 3D Workflows with Agentic Vision

讲者：虞晶怡（上海科技大学）

空间智能旨在赋予机器理解、建模及与三维物理空间交互的能力，是具身智能落地的核心基础 。 虞教授分享了空间智能领域的最新进展，重点讨论了如何利用“Agentic Vision”自动化三维工作流 。报告展示了通过视觉智能体理解空间语言、实现复杂3D场景自动构建的技术路径，引发了现场关于具身智能与空间建模的广泛讨论 。

6. 淘天AIGC：模型能力建设与应用实践

讲者：战春儒（阿里巴巴淘天集团）

学术需要与产业相结合，当前生成式AI（AIGC）正在重塑内容生产范式，通过自动化、个性化的创作能力大幅提升商业生态的运营效率 。 战春儒先生详细介绍了淘天集团在 AIGC 领域的模型能力建设及其在电商场景下的应用实践 。报告涵盖了从生成式模型底层优化到前端内容自动生成的完整链条，展示了大模型技术在商业生态中释放的巨大生产力。

IVMSP 分会场围绕图像、视频与多维信号处理方向展开论文讲座。该分会场涵盖机器视觉特征编码、视觉语言模型、开放世界人机交互理解以及多智能体自动驾驶等主题，体现出图像视频处理与多模态智能模型之间日益紧密的联系。

在图像和视频编码方向中，FC-Former 相关工作（论文标题：“FC-FORMER: EFFICIENT FEATURE CODING FOR MACHINES VIA A HYBRID CNN-TRANSFORMER ARCHITECTURE”）关注面向机器视觉的特征编码问题。随着智能视觉任务对大规模数据传输和存储的需求不断增加，如何在降低冗余的同时保留对下游任务有用的语义信息，成为特征压缩中的重要问题。该工作提出一种结合 CNN 与 Transformer 的特征压缩架构，一方面利用 Transformer 捕捉全局语义信息，另一方面保留 CNN 对局部细节的建模能力，从而提升面向机器视觉任务的特征编码效果。

在视觉语言模型方向，MVP 相关工作（MVP: MODELING VARIANTS OF PROMPTS FOR VISION-LANGUAGE MODELS）围绕 prompt 变化对视觉语言模型鲁棒性的影响展开。以 CLIP 为代表的视觉语言模型在多种下游任务中表现出较强潜力，但其性能往往对 prompt 模板较为敏感。该工作构建 RobustPrompt Benchmark，用于系统评估视觉语言模型面对不同 prompt 变化时的稳定性，并提出 Modeling Variants of Prompts 方法，将 prompt 解耦为模板与类别名称，通过建模 prompt 结构分布来提升模型对提示变化的鲁棒性。

N2CDrive 相关工作（N2CDrive: Negotiate to Cooperate for Multi-Agent Autonomous Driving via Large Vision-Language Model）将视觉语言模型引入多智能体协同自动驾驶场景。多车协同驾驶不仅需要准确感知环境，还需要在多个智能体之间完成高层语义协商，并将协商结果转化为安全可行的车辆运动轨迹。该工作提出层次化框架，将语义协商与运动生成过程解耦：首先利用蒸馏后的视觉语言模型进行场景感知，随后通过大语言模型协商器生成协同决策，最后由动作序列模块将决策转化为可执行轨迹。该报告展示了视觉语言模型在复杂动态交通场景中的应用潜力。

此外，HOI-MLLM 相关工作（TOWARDS OPEN-WORLD HUMAN-OBJECT INTERACTION REASONING WITH MULTIMODAL LARGE LANGUAGE MODEL）关注开放世界人机交互推理问题。传统 Human-Object Interaction（HOI）检测方法通常依赖预定义类别和固定知识，在开放世界场景中容易受到语义理解不足和解释性较弱等问题限制。该工作利用多模态大语言模型的推理能力，构建面向 HOI 检测的开放世界框架，并通过监督微调与后训练方式增强模型的交互理解能力。该研究不仅关注检测性能，也强调推理过程对结果可解释性的帮助。

今日的海报区依然保持了较高的人流密度。来自不同方向的研究者围绕海报内容展开交流，现场讨论集中在研究动机、方法设计和实际应用等方面。相比论文讲座，海报展示提供了更加直接的交流机会，参会者可以围绕具体问题与作者进行深入讨论。

实验室25级硕士研究生杨阳展示论文《FROM COARSE TO FINE: MULTI-STAGE PROGRESSIVE NETWORK FOR COLON POLYP SEGMENTATION》，并与现场参会者进行交流。实验室工作聚焦于结肠息肉分割任务，该任务对结直肠癌早期筛查具有重要意义，但仍面临息肉边界模糊、尺度变化大以及小息肉难以精确分割等问题。针对这些挑战，论文提出 Multi-Stage Progressive Network（MSPN），采用由粗到细的多阶段框架，将分割过程划分为定位、识别和细化三个阶段，逐步提升息肉区域定位、尺度感知和边界重建能力。展示过程中，现场参会者围绕方法设计、分割效果以及泛化问题进行了交流。

ICASSP 2026 第三天的内容从分会场论文讲座延伸到海报展示，既呈现了 IVMSP 方向在多模态智能与视觉信号处理中的研究进展，也为实验室工作提供了与国际同行交流的机会。随着会议议程推进，本次参会进一步拓展了对医学图像分析和多模态学习等方向的理解。

这一天的BISP 分会场围绕医学图像分析、弱监督分割、临床数据建模与大模型辅助医学等问题展开。报告主题与实验室长期关注的计算机视觉、医学影像分析方向高度相关，具有较强的启发意义。与大会报告的宏观视角不同，分会场论文汇报更加注重具体问题、方法设计与实验验证，报告者会围绕任务难点、模型结构、数据挑战和性能表现展开较为系统的介绍。

首先，XNet-DT 相关工作（论文标题：“XNet-DT: Direction-Aware and Resource-Balanced Dual-Tree Complex Wavelet Network for Fully- and Semi-supervised Coronary Artery Segmentation”）关注资源受限临床数据场景下的医学图像分析问题。临床医学数据往往存在标注成本高、样本数量有限、数据分布复杂等现实困难，这使得模型在全监督与半监督条件下都面临较强挑战。报告中，作者从临床数据稀缺性出发，介绍了如何通过更有效的特征建模和对抗学习策略提升模型在有限标注条件下的表现。该工作体现出当前医学人工智能研究中的一个重要趋势：模型设计不仅要追求指标提升，也需要考虑真实临床数据环境中的可用性与鲁棒性。

其次，KG-SAM 相关工作（KG-SAM: ENCODING STRUCTURAL CONSTRAINTS INTO SEGMENT ANYTHING MODELS VIA PROBABILISTIC GRAPHICAL MODELS）围绕医学图像分割中的结构约束建模问题展开。尽管 SAM 在通用图像分割任务中表现突出，但在医学图像场景中，模型仍然容易受到器官边界模糊、解剖结构关系复杂以及不同患者个体差异等因素影响。作者从医学图像分割的实际难点出发，介绍了如何将结构先验融入 SAM 框架，使模型不仅能够关注局部视觉特征，也能够利用器官之间的解剖关系对分割结果进行约束。该工作通过概率图模型对结构关系进行建模，并进一步增强分割结果在医学场景中的一致性与可靠性。报告内容体现出一个重要趋势：面向医学影像的基础模型应用，不能简单依赖通用视觉模型的迁移能力，还需要结合医学知识、结构约束和任务特点进行针对性改进。

随后的报告围绕 E2-CAM 展开（E2-CAM: EDGE-ENHANCED PROTOTYPE-BASED CLASS ACTIVATION MAP FOR WEAKLY SUPERVISED MEDICAL IMAGE SEGMENTATION），主题与弱监督医学图像分割密切相关。医学图像分割通常需要精细的像素级或体素级标注，但这类标注不仅耗时，而且高度依赖专业医生经验，因此弱监督分割成为近年来的重要研究方向。该工作从类别激活图的改进出发，尝试利用边缘增强与原型注意机制提升弱监督条件下目标区域定位的准确性。报告中展示的结果表明，在有限监督信号下，如何更好地区分病灶边界、组织结构和背景区域，仍然是弱监督医学图像分割中的关键问题。

最后，CAUSAL-SAM-LLM 相关工作（CAUSAL-SAM-LLM: LARGE LANGUAGE MODELS AS CAUSAL REASONERS FOR ROBUST MEDICAL SEGMENTATION）聚焦于医学图像分割模型在真实临床场景中的域外泛化问题。报告指出，现有深度学习模型在跨扫描设备、成像模态和解剖结构迁移时，容易学习到解剖目标与特定成像风格之间的虚假相关，从而影响分割结果的稳定性。针对这一问题，作者在冻结 SAM 编码器的基础上，引入大语言模型进行因果推理。该报告体现出医学图像分割研究正在从单纯追求模型性能，进一步走向鲁棒性、因果解释和临床可交互性的综合提升。

从 BISP 分会场可以看出，医学影像方向的研究正在呈现出几个明显特征：一是更加重视真实临床数据中的小样本、弱标注与分布差异问题；二是更加关注三维结构、边缘细节和全局上下文的联合建模；三是大模型、多模态推理和因果分析等方法正在逐步进入医学图像处理任务。对于参会者而言，这些报告不仅展示了具体算法的改进，也提供了观察医学人工智能研究趋势的重要窗口。

这一天的海报展示依旧体现出高度交叉的特点。许多工作已经不再局限于单一任务的性能提升，而是进一步考虑模型在复杂真实场景中的适应能力、解释能力与部署效率。这种趋势也与 BISP 分会场的报告形成呼应：无论是临床数据建模、医学图像分析，还是弱监督分割与大模型辅助推理，研究者们都在尝试将更强的表示学习能力与更真实的应用需求结合起来。

对于关注医学影像的研究者而言，这天的会议内容不仅展示了当前研究的技术前沿，也进一步揭示了未来医学人工智能走向真实应用所需要面对的关键挑战。

地点：望江校区基础教学楼B座318实验室

分享者：樊禧、王艺蒙、杨鑫月

Part1

分享者：樊禧

分享内容：

[1] C. Zhu, J. Wang, L. Zhang, J. Liang, Q. Su and B. Li, "SAM-FuseNet: Segment Anything Guided Multimodal Fusion for RGB–Thermal Aerial Robotic Perception," in IEEE Transactions on Geoscience and Remote Sensing, vol. 64, pp. 1-12, 2026, Art no. 5000212, doi: 10.1109/TGRS.2025.3648127.

基于 RGB 和热成像（RGB-T）输入的多模态语义分割对于空中机器人的稳定感知至关重要，但现有方法在有效适应预训练表示和不同光照条件下平衡互补线索方面面临挑战。为克服这些难题，本文引入了SAM-FuseNet，这是一种新颖的 RGB-T 框架，它利用基于SAM2视觉变换器骨干网的模态特定编码器，并通过低秩适应（LoRA）模块增强，从而无需对整个模型进行重新训练即可实现高效的模态特定微调。通过像素级空间注意力机制结合通道校准实现跨模态融合，允许自适应地调整每个模态的贡献权重。双路径分割头进一步提升了预测质量：第一条路径在 SAM2 的引导下逐步细化从粗到细的掩码，而第二条路径执行分层特征融合以捕获长程上下文信息。在 Caltech RGB–T 和 PST900 基准上进行的大量实验表明，SAM-FuseNet 具有显著效果，在平均交并比（mIoU）方面提高了多达 3.93%，同时训练模型的参数减少了 50% 以上。定性结果进一步表明，其边界更清晰，在曝光不足的情况下具有更强的鲁棒性，并且对模态退化具有更强的抗性。

Part2

分享者：王艺蒙

分享内容：

[2] J. Lee, S. Yu, Y. Jang, S. S. Woo and J. Jo, "Unlearning Comparator: A Visual Analytics System for Comparative Evaluation of Machine Unlearning Methods," in IEEE Transactions on Visualization and Computer Graphics, vol. 32, no. 3, pp. 2852-2867, March 2026, doi: 10.1109/TVCG.2026.3658325.

机器遗忘目的是从已训练的模型中移除特定训练数据，使得被移除的数据不再影响模型的行为，从而满足数据隐私法中“被遗忘权”的要求。然而，本文观察到，这一快速发展的领域中的研究者在分析和理解不同机器遗忘方法的行为时面临挑战，尤其是在准确性、效率和隐私这三个基本原则方面。因此，他们往往依赖于聚合指标和临时性评估，难以准确衡量不同方法之间的权衡关系。为了填补这一空白，本文引入了一个可视分析系统Unlearning Comparator，以促进对机器遗忘方法的系统化评估。本文的系统支持评估过程中的两项重要任务：模型比较和攻击模拟。首先，它允许用户比较两个模型（例如某种方法生成的模型与重新训练的基准模型）在类别、实例和层级上的行为，从而更好地理解遗忘后产生的变化。其次，本文系统模拟成员推断攻击，以评估方法的隐私保护能力，即攻击者试图判断特定数据样本是否属于原始训练集。本文通过案例研究对主流机器遗忘方法进行可视化分析，验证了该系统的有效性。结果表明，该系统不仅能帮助用户理解模型行为，还能为其提供改进机器遗忘方法的见解。

Part3

分享者：杨鑫月

分享内容：

[3] Su J, Xue Z, Zhang S, et al. SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker[J]. arXiv preprint arXiv:2604.12502, 2026.

多模态跟踪中的参数高效微调（PEFT）呈现出一个令人担忧的趋势：近期的性能提升往往以参数规模膨胀为代价，这从根本上违背了PEFT的高效性初衷。在本文中，我们提出SEATrack，一种简单、高效且自适应的双流多模态跟踪器，从两个互补角度解决性能-效率权衡难题。首先，我们优先关注匹配响应的跨模态对齐，这是一个尚未被充分探索但至关重要的因素，我们认为它是打破该权衡的关键。具体而言，我们发现现有双流方法中存在的模态特有偏差会产生冲突的匹配注意力图，进而阻碍有效的联合表征学习。为缓解该问题，我们提出AMG-LoRA，将用于域自适应的低秩自适应（LoRA）与自适应互引导（AMG）无缝融合，动态细化并对齐跨模态注意力图。其次，我们摒弃传统的局部融合方案，引入分层混合专家（HMoE），实现高效的全局关系建模，在跨模态融合中有效平衡表达能力与计算效率。

上午的开幕式为本届会议拉开序幕。主会场内参会者陆续入场，现场大屏展示会议主题与日程安排，来自不同国家和地区的学者、学生与产业界代表齐聚一堂。开幕环节不仅介绍了本届会议的整体组织情况，也呈现了 ICASSP 作为国际信号处理领域核心会议的广泛影响力：研究议题从传统信号建模与分析不断延伸到大模型、多模态智能、医学影像、机器人感知、通信与人机交互等方向，体现出信号处理与人工智能深度融合的趋势。

随后进行的颁奖环节集中展示了该领域长期积累的学术贡献与新一代研究力量。获奖成果既代表了信号处理基础理论、算法方法与工程应用中的重要进展，也为年轻研究者提供了清晰的学术参照。对于参会者而言，这一环节不仅是对领域杰出工作的回顾，也是在大会第一天迅速建立研究坐标的重要方式：哪些问题具有长期价值，哪些方法真正经受住了时间检验，哪些方向正在成为新的增长点，都在颁奖与介绍中得到直观呈现。

全体会议同样令人印象深刻。Emmanuel Candès 教授围绕统计数据与人工智能之间的关系展开，从理论基础、数据建模到智能系统的可靠性问题，讨论了当前 AI 研究中一个十分关键的命题：当模型规模、数据规模与应用场景不断扩展时，如何理解数据本身的结构，如何让统计思想继续支撑人工智能方法的发展，仍然是未来研究无法绕开的核心问题。报告内容既具有理论高度，也与当前大模型、多模态学习和科学智能等热点方向形成呼应，使现场听众能够从更宏观的视角重新审视信号处理与人工智能之间的连接。

下午的海报交流区则进入了全天最密集的讨论阶段。展区内人流持续聚集，许多海报前都围绕着三五成群的参会者：有人拍摄关键图表，有人追问实验设置，也有人直接就方法假设、数据构造、指标选择与泛化能力展开深入交流。与口头报告相比，海报交流更接近“面对面拆解问题”的过程，研究者可以围绕一张图、一个公式或一组实验结果迅速展开讨论，也能在短时间内捕捉一个方向真正受到关注的难点。

从首日海报内容来看，ICASSP 2026 的研究主题体现出明显的交叉趋势。传统信号处理问题正在与深度学习、大模型、多模态理解、视频分析、医学图像、语音语言处理等方向进一步融合。许多工作不再只关注单一指标上的性能提升，而是更强调复杂场景中的鲁棒性、效率、可解释性与实际落地能力。这种变化也让海报区的交流更加具体：讨论不只是“方法是否有效”，还包括“为什么有效”“在什么条件下有效”“能否迁移到真实任务中”等更深层的问题。

主会议第一天既是熟悉 ICASSP 学术节奏的开始，也是快速了解领域前沿的重要窗口。开幕式与颁奖环节展示了学术共同体的积累与传承，全体会议提供了宏观视角，而下午高密度的海报交流则把一个个具体研究问题推到眼前。随着后续议程展开，实验室25级硕士研究生杨阳也将在5月7日进行论文海报展示，与来自全球的研究者进一步交流相关工作。

ICASSP 2026 首日可以概括为“汇聚”与“交叉”这两个词：一方面，全球研究者在巴塞罗那同场交流，围绕信号处理与人工智能的核心问题展开讨论；另一方面，不同研究方向之间的边界正在被不断打通，方法、数据与应用场景的融合成为会议现场最鲜明的趋势之一。

特邀报告高屋建瓴，指引视觉基础模型前沿

 会议伊始，多位领域内知名专家带来了精彩的特邀报告。其中，重庆大学张磊教授以《视觉基础模型与泛化的统一：理论与算法》为题的报告引发了与会学者的强烈共鸣。张教授深入剖析了当前视觉大模型在面临跨域场景时的泛化瓶颈，并提出了统一的理论框架。这一探讨，与视觉计算实验室目前在医学图像领域大力推进的架构无关与跨域自适应等基础模型研究理念不谋而合，为后续的学术研讨奠定了理论基调。

 在随后的论文分享环节中，多项极具突破性的顶会工作相继亮相。特别值得一提的是，来自电子科技大学的江世银同学分享了题为 Differentiable Vector Quantization for Rate Distortion Optimization of Generative Image Compression 的研究成果。该工作在今年的 CVPR 论文评审中斩获了满分评价。其在生成式图像压缩任务中，通过可微矢量量化技术巧妙解决率失真优化难题的创新思路，为底层视觉的特征压缩与重建提供了重要范式。
 此外，日程中关于 3D 视觉的探讨也异常火热。如吴海崎等同学分享的关于细粒度与泛化 3D 高斯溅射（Gaussian Splatting）的工作，展示了空间渲染技术的新高度；而多位学者在视频生成与多模态大模型测试时间自适应（Test-time Adaptation）领域的报告，也充分展现了西南地区青年学者在 AI 最前沿领域的工作。

产学研深度融合，算力筑基科研创新

 在大模型时代，算力是驱动科研前行的核心引擎。会议期间，中国电信（天翼云公司）的专家特别带来了《数智赋能科研 算力驱动创新》的主题分享。报告详细介绍了当前高性能算力集群的建设情况，这也让在场重度依赖高性能 GPU 进行基础模型预训练与微调的学者们，看到了未来校企算力合作的广阔空间。

VCL 成果惊艳登场，底层算法赋能精准医疗

 下午 15:00，在林言老师的主持下，实验室 2025 级博士生卢玉杰登台作学术报告。他代表团队，向与会专家详细解读了由朱敏教授指导、并已被 CVPR 2026 接收为 Oral的文章——SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation。
 卢玉杰在报告中深入浅出地剖析了临床医学图像处理的痛点。他指出，面对复杂的医疗数据，传统单一尺度的特征提取网络往往难以兼顾病灶的全局语境与局部细节。为此，团队创新性地引入了 Token 级别的混合专家机制（MoE），使得模型能够根据输入图像的不同区域和模态特征，自适应地进行特征路由与融合。
 在现场交流环节，卢玉杰进一步分享了该模型在不需要依赖原始 Mask 的高效训练策略，以及其在海量多模态医学数据中的泛化表现。这一底层算法的精进，不仅在客观评测指标上实现了对现有方法的超越，更展示了其未来作为即插即用模块，赋能临床辅助诊断的潜力。

结语

 此次预分享会不仅是一次最新科研成果的集中展示，更是西南地区青年视觉学者交流的平台。通过参与此次盛会，视觉计算实验室不仅扩大了团队在医学图像基础算法领域的学术影响力，也为后续开展更广泛的跨学科、跨校际合作积蓄了力量。未来，实验室将继续深耕视觉计算底座，力争在通用医学特征精炼与跨模态感知方向产出更多立足国家需求、具有国际视野的顶尖成果。

 会议伊始，来自四川大学华西医院病理科的杨李波老师作了开场分享。杨老师首先详细介绍了华西病理团队近期在临床科研中取得的成果，并从临床医生的独特视角，深度解读了视觉计算实验室近期发表的系列学术文章。她指出，底层算法的创新正在为传统病理学带来全新的观察维度，但如何让算法真正读懂复杂的病理特征，仍是亟待突破的难点。

 随后，天津医科大学肿瘤医院的王昊天医生，以及华西医院病理科的张璋老师团队加入了深度的跨学科讨论。京津冀与西南两大医疗高地专家的思想碰撞，将现场气氛推向高潮。专家们围绕肿瘤病理图像的异质性、临床数据的长尾分布等实际痛点，与实验室的师生展开了热烈探讨。

 在算法前沿分享环节，视觉计算实验室博士生卢玉杰代表团队，向在场的各位临床专家作了技术汇报。他讲解了实验室近期被国际计算机视觉会议 CVPR 2026 接收为 Oral的工作——SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation。该研究通过引入Token级别的混合专家机制，显著提升了模型在复杂医学图像分割任务中的精度与泛化能力。

 会议的后半程，双方就未来的实质性合作方向进行了圆桌式的头脑风暴。来自临床一线的医生团队提出了迫切的需求：希望借助计算机视觉前沿技术，打造真正服务于临床的辅助诊断乃至预后评估系统。 专家们描绘了一个全景式的医疗AI蓝图——打破单一数据源的局限，将病理切片（WSI）、影像学数据（CT/MRI）、以及患者的临床文本报告进行多模态深度对齐与融合。通过构建医疗垂直领域的多模态基础模型，实现从单一的图像分割向综合性的智能临床决策支持跨越。

 此次跨学科对话不仅是一次学术理念的交融，更是一次需求与技术的对接。底层算法的精进需要真实临床痛点的指引，而精准医疗的未来则离不开视觉大模型的赋能。双方均表示，未来将依托视觉计算实验室的算法底座与华西、天肿的优质临床资源，建立常态化的合作机制，共同推动医疗人工智能向更加精准、高效、多模态融合的方向迈进。

地点：望江校区基础教学楼B座318实验室

分享者：邓子祎、王翔坤

Part1

分享者：邓子祎

分享内容：

[1] Damien Masson, Zixin Zhao, and Fanny Chevalier. 2025. Visual Story-Writing: Writing by Manipulating Visual Representations of Stories. In Proceedings of the 38th Annual ACM Symposium on User Interface Software and Technology (UIST '25). Association for Computing Machinery, New York, NY, USA, Article 70, 1–15. https://doi.org/10.1145/3746059.3747758

论文简介：

随着创意写作中管理复杂故事元素（如角色、地点、事件）的挑战日益凸显，传统文本编辑方式难以支持作者进行高效修订和探索。本文提出了“视觉故事写作”方法，即通过操纵故事元素的视觉表征来直接支持叙事文本的写作与修订。基于结构主义叙事学理论，本文构建了一个框架，将八个核心故事元素与四个操作符组合，以系统化地创建可视化故事构造。本文开发了一个原型文本编辑器，能够自动生成并联动三种可视化视图：实体交互图、位置移动图和事件时间线。通过两项关于叙事文本编辑与写作的用户研究，本文发现视觉化支持参与者进行高层级修订规划、追踪故事元素以及探索故事变体的方式有助于激发创造力。

分享者：王翔坤

分享内容：

[1] Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells. [EB/OL]. arXivpreprint, 2026. arXiv: 2603. 25240. https://arxiv.org/abs/2603.25240

论文简介：

针对单细胞转录组分析长期停留在静态描述、传统生成模型与稀疏离散数据不匹配、扰动预测难以泛化的核心问题，本文提出Lingshu Cell—— 一种基于掩码离散扩散的生成式细胞世界模型，直接在离散token空间对约18,000个基因进行全转录组建模，无需预先筛选基因，并通过无分类器引导、序列压缩与生物先验注入三大策略提升性能；该模型可跨9种组织、5个物种高保真生成细胞状态，并能联合细胞、供体身份与扰动信息实现条件模拟，在虚拟细胞挑战赛 H1 遗传扰动基准上以约 60 万训练细胞取得最优平均排名，同时在人 PBMC 细胞因子扰动预测中全面超越 scGPT、scVI、STATE 等主流方法，为虚拟细胞构建与高通量硅内扰动筛选建立了统一、高效的生成式新范式。

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。