聚焦前沿探索，彰显科研实力。近期，今年会在人工智能、计算机视觉及信息安全等领域取得丰硕成果，多篇高水平论文连续被CVPR、AAAI、ICCV、MICCAI等国际顶级会议及《IEEE TIP》、《中国科学：信息科学》等权威期刊录用。这些成果深入攻克了跨模态数据分析、三维视觉感知、医学影像处理及隐私计算安全等关键技术难题，充分体现了公司在科研创新与高层次人才培养方面的显著成效。以下是2025年度公司部分优秀科研成果精选汇编：

一 -《ReCon: Enhancing True Correspondence Discrimination through Relation Consistency for Robust Noisy Correspondence Learning》 -- IEEE/CVF Conference on Computer Vision and Pattern Recognition 2025

作者：查全兴，柳欣*，张晓明，徐行，王楠楠等

发表日期：2025年3月2日

简介：跨模态匹配在视觉表征学习中至关重要，但普遍存在的噪声关联尤其是“高难度噪声样本”严重制约了现有模型的性能。为此，本工作提出了一种基于关系一致性的鲁棒噪声关联学习框架（ReCon）。该研究突破了传统单维度相似性评估的局限，通过构建跨模态关系一致性来解析样本间的潜在语义网络。研究结果表明：(1) 跨模态关系一致性是精准定位“伪相似”样本的核心；(2) 代理关系建模技术有效解决了缺乏准确关系标注的难题；(3) 挖掘深层语义关联比单纯依赖表面特征更能提升模型的抗噪能力。实验证明，该方法在三个公开数据集上均取得了领先性能，显著增强了模型在复杂场景下的鲁棒性。

二 -《UCPM: Uncertainty-Guided Cross-Modal Retrieval with Partially Mismatched Pairs》 -- IEEE Transactions on Image Processing 2025

作者：查全兴，柳欣等

发表日期：2025年6月12日

简介：人工标注成本高昂与噪声数据干扰严重制约了跨模态检索任务的性能。为此，本工作提出了一种不确定性引导的检索方案（UCPM）。其引入动态评估机制，将训练数据细分为高置信匹配、易识别噪声及难区分边界三个子集。研究结果表明：(1) 动态不确定性评估能有效克服传统二值划分带来的误差累积；(2) 精细化的数据子集划分策略显著增强了模型的抗噪能力；(3) 对“难区分边界”样本的针对性处理决定了最终的检索鲁棒性。实验证明，该方法在多个数据集上均取得了优越的检索性能。

三 -《Serialization based Point Cloud Oversegmentation》 -- International Conference on Computer Vision 2025

鲁诚辉，李迪龙* 等

发表日期：2025年7月3日

简介：点云过分割任务面临难以兼顾空间邻近性与语义相似性的挑战。为此，本工作提出了一种基于序列化的点云过分割方案。该研究创新性地利用希尔伯特曲线将点云序列化，并结合自适应更新算法与交叉注意力机制进行优化。研究结果表明：(1) 序列化策略有效规避了复杂的空间查询计算；(2) 交叉注意力机制显著增强了超点内部的语义一致性；(3) 高质量的过分割结果能有效提升目标识别等下游任务的精度。实验证明，该方法在多个大规模数据集上均达到了最优效果。

四 - 《Prompt-DAS: Annotation-Efficient Prompt Learning for Domain Adaptive Semantic Segmentation of Electron Microscopy Images》 -- Medical Image Computing and Computer Assisted Intervention 2025

作者：陈佳宝 等

发表日期：2025年10月4日

简介：电子显微镜图像语义分割面临跨域差异显著与标注成本高昂的双重挑战。为此，本工作提出了一种名为Prompt-DAS的标注高效提示学习方案。引入先进的提示学习机制，旨在攻克域自适应场景下的模型泛化瓶颈。研究结果表明：(1) 提示学习机制能有效缓解跨域差异带来的泛化难题；(2) 标注高效策略能够在降低依赖的同时维持高精度分割；(3) 该方法在复杂场景下展现了优异的鲁棒性。实验证明，Prompt-DAS在电子显微镜图像分割任务中实现了低成本与高性能的平衡。

五 - 《SDFL：一种隐私保护与拜占庭鲁棒的去中心化联邦学习方案》 -- 中国科学：信息科学

作者：全韩彧，钱彦屹，李越，田晖*等

发表日期：2025年10月26日

简介：去中心化联邦学习虽解决了单点故障问题，但面临隐私泄露与拜占庭攻击的严峻挑战，且现有方法难以直接适配该场景。为此，本工作提出了一种安全去中心化联邦学习方案（SDFL）。融合可验证秘密共享与零知识证明技术，构建了兼顾隐私与鲁棒性的防御体系。研究结果表明：(1) 融合密码学技术是实现去中心化隐私保护的关键；(2) 针对性的防御机制能有效化解拜占庭攻击风险；(3) 模型在保障安全的同时仍能维持较高的分类准确率与系统效率。实验证明，该方法在多种模型中均能有效平衡安全性与性能。

六 - 《DRFGD: Disentangled Representation-Focused Generative Defense for Attack-Tolerant Cross-Modal Hashing》 -- The AAAI Conference on Artificial Intelligence 2026

作者：余忠情，柳欣*，张晓明，范文涛，周潘等

发表日期：2025年11月12日

简介：跨模态检索在现实部署中面临严峻的对抗攻击挑战，且现有防御策略难以有效抑制脆弱特征中的扰动。为此，本工作提出了一种解耦表示导向生成式抗攻击跨模态哈希框架（DRFGD）。其利用双分支语义感知编码器将输入表征解耦，并设计抗攻击样本生成模块进行协同防御。研究结果表明：(1) 将表征解耦为鲁棒与脆弱特征是提升防御能力的基础；(2) 语义对齐样本的合成能有效引导鲁棒对抗训练；(3) 针对模态特定结构的差异建模决定了最终的抗攻击性能。实验证明，该方法在多种攻击场景下均展现了优越的防御性能与鲁棒性。

初审： 杜鹏程

复审： 颜郁澎

终审： 陈荣美