专题论坛：多模态大模型智能多媒体应用

论坛简介

在新一轮科技革命与产业变革的背景下，大模型技术正迅速演变为国家层面的基础战略资源，成为推动数字经济高质量发展的核心引擎。其重要性不仅体现在对通用人工智能（AGI）的关键支撑作用，更在于对传统产业智能化升级的深远影响。从工业制造中的智能质检与预测维护，到医疗领域的辅助诊断与精准决策，再到智慧城市与便捷生活服务场景中的智能交互与个性化推荐，大模型正逐步承担起"认知决策中枢"的角色，重塑各行业的运行范式。

得益于互联网长期积累的海量多模态数据（文本、语音、图像、视频等）以及算力与算法的持续突破，以神经网络"缩放定律"为指导的大模型训练范式迅速兴起，推动了从单模态学习向多模态融合、从任务专用模型向通用基础模型的跨越发展。当前，大模型领域呈现出百家争鸣、快速迭代的发展格局，标志着人类社会已全面迈入"大模型时代"。然而，在复杂开放环境下，应用数据频繁变化、任务类型持续演进、应用场景不断切换，使得现有模型的泛化性能明显受限，难以实现稳定且大规模的持续应用。本论坛旨在搭建一个高水平的学术交流与合作平台，汇聚国内外相关领域的专家学者与青年科研人员，共同探讨多模态大模型技术的发展趋势与未来方向，促进理论创新与产业实践的深度融合，推动我国在智能多媒体与人工智能领域的持续突破与引领发展。

论坛召集人

谢国森

南京理工大学

南京理工大学计算机科学与工程学院教授、博士生导师，国家青年人才，江苏特聘教授。2016年于中国科学院自动化研究所获工学博士学位，先后在新加坡、阿联酋留学和工作。研究方向为计算机视觉、图像视频理解、多模态大模型、零样本学习等。

杨小汕

中国科学院自动化研究所

中国科学院自动化研究所多模态人工智能系统全国重点实验室副研究员，博士生导师。近年来聚焦开放环境下多媒体内容理解面临的模态难以统一、域分布差异大、类别动态增加等问题，重点研究语义驱动的跨模态表征、多模态协同的域适应感知、多模态知识引导的新类别推理，提出了一系列创新性方法，在相关研究领域已累计发表70余篇论文，其中TPAMI、TMM、TIP 等 IEEE/ACM Trans.期刊和MM、CVPR、NeurIPS、AAAI等CCF-A类会议46篇，成果得到美国科学院院士、德国科学院院士等多名院士和IEEE/ACM Fellow的引用和正面评价。获中科院院长奖、中科院优博、腾讯卓创奖，相关算法为腾讯、咪咕、航天二院提供了重要的技术支持。负责国家优秀青年基金项目、面上项目、青年基金项目、科技委重点项目课题。

舒祥波

南京理工大学

南京理工大学计算机学院/人工智能学院/软件学院副院长、教授，社会安全信息感知与系统工信部重点实验室副主任、国家优青获得者、江苏省杰青获得者。研究方向为视觉行为计算，在TPAMI、CVPR、ICCV、NeurIPS、ICLR、MM等期刊/会议上发表论文100余篇，其中ESI高被引论文8篇；获江苏省自然科学一等奖、中国电子学会自然科学一等奖、ACM MM 2015最佳论文提名、MMM 2016最佳学生论文、CCBR 2026最佳论文、江苏省优博、中国人工智能学会优博、江苏省行业领域优秀科技进展、全球前2%顶尖科学家（2021-2025年）；主持国家自然科学基金联合重点项目、国家重点研发课题、国家重大科研仪器项目课题、国家自然科学基金面上项目、江苏省杰出青年基金等项目等。担任CSIG青工委副秘书长，以及TNNLS、TCSVT、TIFS、Pattern Recognition等期刊编委。

李泽超

南京理工大学

南京理工大学计算机科学与工程学院/人工智能学院/软件学院教授、院长，研究兴趣主要是多模态大模型、跨媒体智能分析等。主持国家杰出青年科学基金、新一代人工智能国家科技重大专项课题、国家自然科学基金联合基金重点项目等；入选国家"万人计划"青年拔尖人才，在IEEE TPAMI、IJCV和CCF A类会议发表论文60余篇；第一完成人获得2024年度江苏省科技进步一等奖，第二完成人获得2022年度中国电子学会自然科学一等奖和2020年度江苏省科学技术一等奖，第三完成人获得2017年度江苏省科学技术一等奖等；获得ACM MM Asia 2020和2024两年度最佳论文奖等；担任IEEE TPAMI、TCSVT、TMM等期刊编委，曾担任IEEE TNNLS、Information Science等期刊编委。

论坛讲者

徐常胜

中国科学院自动化研究所

嘉宾简介：

徐常胜，中国科学院自动化研究所研究员，国家杰出青年基金获得者、国家万人计划领军人才、国家百千万人才工程入选者、首都科技创新领军人才、中科院王宽诚率先人才计划卢嘉锡国际团队负责人，IEEE/IAPR Fellow和ACM杰出科学家。担任ACM多媒体专委会中国区（ACM SIGMM China Chapter）主席。发表IEEE/ACM会刊论文200余篇，CCF-A类会议论文150余篇，在多媒体领域国际顶级会议和期刊上获得最佳论文奖10余次，以第一完成人获中国电子学会自然科学一等奖和技术发明一等奖，7次获得中国科学院优秀导师奖。

报告题目：开放世界的多模态大模型研究与应用

报告摘要：与视觉和语言大模型相比，多模态大模型能够从不同模态数据中学习共性知识，因此具有更强的通用性，也更接近人类的认知能力，是目前人工智能进一步发展的关键所在。尽管目前的多模态大模型已取得了重要进展，在跨模态检索、跨模态生成等任务中取得了优异的性能，但在实际应用中面临的开放世界，已有多模态大模型仍然存在很多尚未解决的挑战。本报告主要探讨解决两个方面的问题：（1）如何在保留不同模态数据本身特性的前提下建模多模态数据关联；（2）如何在保证模型泛化性的前提下实现多模态大模型在下游任务中的跨域迁移和小样本迁移。报告分析了多模态大模型中理想的视觉系统所应具备的要素并提出了基于解耦视觉系统的多模态大模型Libra；同时也介绍了针对多模态大模型的多个泛化性保持的跨域和小样本迁移方法。

王鹏

西北工业大学

嘉宾简介：

王鹏，西北工业大学教授、博导。2000~2011年在北京航空航天大学自动化科学与电气工程学习并获得学士和博士学位；博士毕业后于在阿德莱德大学计算机学院从事科研工作；2017年入选中组部青年人才计划，2021年入选教育部长江学者特聘教授。目前担任空天地海一体化大数据应用技术国家工程实验室副主任，陕西省科技创新团队负责人。主要从事空天智能感知、计算机视觉和机器学习领域的研究工作，多次带队参加国内外人工智能竞赛获得冠亚季军。在Springer发表英文专著1部，在TPAMI、IJCV、ICLR、CVPR、ICCV、ECCV、NeurIPS、ICML、ACL等权威期刊会议发表学术论文100余篇。担任CVPR和AAAI领域主席、Pattern Recognition编委。主持科技部新一代人工智能重大专项青年科学家项目等多个项目。

报告题目：多模态大模型的幻觉抑制之路：一公里还是一光年？

报告摘要：多模态大模型（MLLM）开启了通用人工智能的新征程，在视觉问答、图像生成、视频理解等多模态任务上展现出了惊人的能力。然而，MLLM依然面临着严重的幻觉问题，即模型生成的内容与输入的视觉信息不符，甚至会编造出不存在的信息，这严重限制了MLLM在高可靠性要求场景下的应用。本次报告将围绕多模态大模型的幻觉抑制问题，从幻觉的成因、检测方法、抑制技术三个方面展开，分享我们团队在该领域的最新研究进展，同时探讨未来MLLM幻觉抑制的发展方向与挑战。

王耀威

哈尔滨工业大学（深圳）

嘉宾简介：

王耀威，现任哈尔滨工业大学（深圳）计算机学院教授、鹏城实验室网络智能研究部副主任、感知智能研究所所长，国家高层次人才、国务院特殊津贴专家。研究聚焦人工智能与大规模视频智能感知领域，在顶级国际期刊/会议发表论文百余篇，获授权专利50余项，牵头制定数字视网膜端边云协同技术系列标准。曾获国家技术发明奖二等奖、广东省科技进步奖特等奖、中国电子学会技术发明奖一等奖、吴文俊人工智能技术发明一等奖、祖冲之重大成果奖等。担任IEEE数字视网膜系统工作组主席、新一代人工智能产业技术创新战略联盟 AI 标准工作组"数字视网膜系统"专题组组长、IEEE TCSVT编委、中国人工智能学会具身智能专委会常务委员。

报告题目：鹏城·大圣多模态系列基础模型及其应用

报告摘要：随着人工智能技术的快速演进，跨模态大模型已成为人工智能领域的核心发展方向，其在视觉、语言、音频等多模态数据的理解与生成能力上实现了跨越式突破。本次报告将详细介绍鹏城实验室联合哈尔滨工业大学（深圳）团队研发的鹏城·大圣多模态系列基础模型，包括模型的整体架构设计、核心技术创新、训练数据体系构建，以及模型在视频智能感知、城市治理、工业质检、医疗健康等多个领域的落地应用案例。同时，报告也将分享我们在多模态大模型规模化落地过程中积累的经验，以及对未来多模态大模型技术发展趋势的思考。

严明

阿里巴巴通义实验室

嘉宾简介：

严明，阿里巴巴通义实验室文档智能技术负责人和mPLUG多模态技术负责人。主要研究方向为多模态大模型、AI Agent技术和文档智能等。在ICML、NeuIPS、ACL、ICLR、CVPR、PAMI等国际顶级会议及期刊上发表论文100余篇，论文总引用量1万6千余次，主导VQA首超人类，并获达摩院最高荣誉奖项达摩院项目团队奖，目前主要负责通义智文文档产品建设、Qwen系主力长文本模型Qwen-Long、QwenDoc和GUI智能体Mobile-Agent。

报告题目：通义多模态多端GUI智能体Mobile-Agent

报告摘要：随着多模态大模型和AI agent技术的快速发展，围绕Mobile、PC、Browser等构建多模态GUI智能体，以进行自动化操作，成为了现在业界最热的研究应用方向之一，有望变革新的人机交互方式。我们近期围绕长文本推理、多端智能体基础模型、多模态工具调用等方面构建通义多模态多端GUI智能体Mobile-Agent技术体系，并探索相关端云协同和知识增强应用能力。本次报告将详细介绍Mobile-Agent的核心技术架构、关键能力突破，以及在移动端自动化操作、跨端协同任务处理、企业级智能办公等场景的落地实践，同时分享我们在多模态GUI智能体研发过程中的思考与未来展望。

专题论坛：社会智能驱动的认知计算

论坛简介

本论坛聚焦认知计算、复杂系统建模与群体智能等前沿交叉领域，旨在强调社会智能作为驱动新型计算范式演进的核心动力。当前，智能系统的交互对象正从单一实体扩展为复杂的社会化群体，理解并计算由社会交互涌现出的群体认知，实现多智能体在社会规则下的高效协同，已成为智能技术走向实际应用的关键瓶颈。本论坛的举办，回应了学术界对社会智能驱动的认知协同机制的热切关注，为参会者提供了探索复杂社会化交互的全新视角。 论坛特邀六位重量级专家，系统性地呈现从底层网络拓扑到上层认知计算的前沿探索。专家们将深度解析基于智能体的复杂网络系统推断与预测、揭示集群对抗中的胜负相变规律、以及探究复杂网络上群体博弈与控制策略。在此基础上，论坛进一步聚焦安全可信的人机交互与社会智能融合，探讨如何构建模型原生的GUI Agent，实现认知驱动的社会化交互，并系统化地开展社会模拟下的群体认知计算。 通过本论坛，期望促进多媒体计算、社会模拟与群体智能协同技术的深度融合，共同推动社会智能驱动的认知计算理论创新与技术转化。

论坛召集人

田奇

华为终端

田奇教授，华为终端BG首席科学家，国家自然科学基金海外杰青，教育部长江讲座教授、中科院海外评审专家，IEEE/ACM Fellow。曾任华为云人工智能领域首席科学家和诺亚方舟实验室计算视觉首席科学家。主要研究方向为计算机视觉、多媒体信息检索、机器学习，曾获中国人工智能学会吴文俊人工智能杰出贡献奖、SIGMM Technical Achievement Award、Google Faculty Research Award、UTSA校长杰出研究奖、多媒体领域10大最具影响力学者，累计在顶级期刊及顶级会议上发表文章800余篇，谷歌学术引用次数101,000+，h指数为135，有9篇论文获最佳论文奖或最佳学生论文，其中盘古气象大模型论文发表于《Nature》正刊，被《Science》杂志评为2023年度十大突破，并获评2023年中国科学十大进展。

王岚君

天津大学

王岚君，天津大学研究员，博士生导师。加入天津大学前，她曾任IBM高级研究员、华为技术专家。作为华为云模型可信负责人，建立业界首个人工智能云服务安全标准。主持开发的华为端云协同平台获得2019中国数字博览会"新技术"奖。主持国家自然科学基金面上项目、青年项目，以及腾讯、华为、美团等企业横向合作项目，作为课题/子课题负责人参与国家自然科学基金联合重点项目、国家社科基金重大项目等。已发表高水平论文三十余篇，授权专利四十余项。

姚涵涛

中国科学技术大学

姚涵涛，中国科学技术大学信息科学技术学院特任研究员。曾获博士后创新人才支持计划、中国科学院院长奖等荣誉。长期从事多媒体内容分析、社会事件分析和计算机视觉研究。作为项目负责人承担国家自然科学基金青年项目、面上项目和北京市面上基金，作为课题负责人承担科技部科技创新2030-"新一代人工智能"重大项目，并作为骨干参与多项国家级和省部级科研项目。相关成果获ACM Multimedia Asia 2019最佳学生论文、2023年中国多媒体大会最佳展报论文，多篇论文入选ESI高被引。

刘婧

天津大学

刘婧，天津大学电气自动化与信息工程学院副教授，博导。主要研究方向为多媒体信息处理与内容理解。获得吴文俊人工智能科技进步一等奖（序1）、天津市科学技术进步特等奖（序5），入选国务院国资委"焕新社区"人工智能青年科学家托举计划、中国图象图形学学会优秀博士学位论文提名奖、天津大学"北洋学者-青年骨干教师"人才计划、"登峰计划"导师。先后主持国家自然科学基金面上项目及青年项目、国家重点研发计划子课题、中国博士后科学基金特别资助、天津市自然科学基金等项目。近年来发表百余篇论文，获2024年国际数字多媒体通信论坛最佳论文奖、2021年度IEEE Transactions on Multimedia最佳论文提名奖等。目前担任多媒体信息处理顶级期刊IEEE Transactions on Multimedia副主编，中科院二区期刊Displays副主编。

论坛讲者

严钢

同济大学

嘉宾简介：

严钢，同济大学物理科学与工程学院、上海自主智能无人系统科学中心长聘特聘教授、博导。2016年入选国家海外引进高层次青年人才，2022年获国家杰出青年科学基金资助。主要研究方向为复杂系统与人工智能交叉领域的理论及应用，尤其关注数据驱动的复杂系统建模、预测和调控。研究成果发表于 Nature、PRL、NeurIPS、AAAI 等期刊与会议，成果曾获 PRL 编辑推荐，并被 The Economist、New Scientist 等国际媒体报道。兼任中国自动化学会相关专委会副主任等职。

报告题目：基于智能体的复杂网络系统推断与预测

报告摘要：理解和预测由大量个体相互作用所形成的复杂网络结构与演化动态，是复杂社会系统研究中的核心挑战。本报告将介绍本团队在数据驱动的复杂网络研究方面取得的最新进展与代表性成果，包括从观测数据中推断复杂网络所隐含的随机微分方程，实现对系统微观相互作用与宏观动态的联合建模与预测，构建面向复杂系统研究的科学智能体，实现数据驱动建模、结构推断、动态预测等核心功能，为该领域提供高效算法工具。报告还将围绕"可推断性"这一主题展开讨论，探讨哪些系统能够被可靠重构，何种结构更易于推断，实现稳健推断所需的最小数据量等问题。

胡延庆

南方科技大学

嘉宾简介：

胡延庆，南方科技大学理学院统计与数据科学系副系主任、教授、博士生导师。毕业于北京师范大学系统科学学院，曾在纽约城市大学 Levich Institute 从事博士后研究。近几年主要从事大数据、复杂网络、图神经网络等方面研究，2025年获得国家自然科学基金青A项目。已发表论文90余篇，成果见于 Nature Medicine、Nature Physics、Nature Human Behaviour、PNAS、Nature Communications、PRL、PRX 等期刊。

报告题目：集群对抗中的胜负相变

报告摘要：集群对抗广泛存在于生物种群竞争、平台型商业博弈/双边市场竞争和军事对抗等场景中常常表现出群体协同和规模效应，如阈值依赖、微小优势的非线性放大和胜负突变等特性。然而传统对抗模型，如兰切斯特方程，局限在描述渐进消耗与胜负分界，未充分考虑群体的协同效应，难以刻画由微弱优势触发的胜负突变。本文受细菌集群对抗机制启发，构建了双边协同集群对抗模型，在集群对抗理论中严格解析了相变行为，填补了传统对抗模型无法刻画阈值响应、胜负突变的理论空白。在双方对抗条件完全相同的情形下，对抗结果受协同参数调控出现自发分岔，由从两败俱伤向单边溃败转变。另一方面，当协同效应很强时，对抗结果随双方对抗能力的相对优势的变化出现一级相变，实现微弱优势导致胜负突变。进一步地，通过分析条件翻盘概率，我们揭示了在相变条件下，胜负在对抗时段的早期锁定。对抗个体规模越大，影响胜负的战略干预窗口占总时长的比例越小，处在相变条件下的集群对抗，核心资源和策略必须在极早期使用，开局即决战；同时凸显了建立早期预警与动态止损机制的必要性，避免劣势方在胜负锁定后的无意义消耗。我们为理解集群对抗中的胜负突变提供了一种新的可解析模型，不同于经典兰切斯特方程高度依赖大规模兵力优势来实现压倒性胜利，本模型揭示了协同效应的关键作用：系统在相变条件下，仅需微弱性能或规模即可取得压倒性胜利。

李阿明

北京大学

嘉宾简介：

李阿明，北京大学先进制造与机器人学院研究员、博士生导师，双聘于北京大学人工智能研究院，现任北京大学工学院院长助理。主要研究兴趣为群体博弈与控制。研究成果发表于 Science、Nature 子刊、PNAS 等期刊。主持国家自然科学基金青年科学基金项目（A类）、国家级青年人才项目、国家重点研发计划青年科学家项目等。曾获国际人类前沿科学计划组织交叉学科 Fellowship Award、北京市科技新星等荣誉，并担任多种学术期刊和学术组织职务。

报告题目：复杂网络上群体博弈与控制

报告摘要：群体智能理论作为我国《新一代人工智能发展规划》所列的人工智能基础理论之一，近年来受到多学科领域研究者的广泛关注。以博弈智能体为网络节点、个体博弈关系为网络连边构建的复杂网络群体博弈框架，为解析复杂系统中群体智能的涌现机理提供了有效的理论建模与分析工具。随着演化博弈、复杂网络、控制理论、系统科学与人工智能等的深度交叉融合，网络互惠已被证实是驱动群体智能行为涌现的核心机制。即，特定复杂网络拓扑结构的引入，可促使智能体在群体博弈中放弃个体最优的纳什均衡策略，通过策略协同与演化实现群体最优策略的涌现。然而，如何从理论层面分析复杂网络结构（尤其是其动态演化特性）与群体最优策略涌现之间的定量关系，建立普适性分析框架与调控准则，仍是当前该领域面临的重大科学挑战。本报告将介绍课题组近年来在群体智能涌现机理、群体博弈调控与优化设计等方面取得的研究进展。

桑基韬

北京交通大学

嘉宾简介：

桑基韬，北京交通大学教授。主要研究方向为多模态计算、可信与对齐、推理与 AI Agent。曾获中科院院长特别奖、ACM 中国新星奖等。作为负责人先后承担国家自然科学基金重点项目、首批新一代人工智能重大项目、北京市杰出青年基金、国家高层次人才计划等，论文多次获得中国计算机学会推荐的国际会议论文奖项，并曾获中国电子学会自然科学一等奖和北京市科学技术奖。

报告题目：模型原生的GUI Agent

报告摘要：随着多模态大模型的发展，多模态智能系统正从被动感知的工具，向可以自主感知、任务规划和执行的智能代理演进。GUI Agent通过模拟人类在终端上的操作，在可控、安全的数字环境中验证感知、规划和执行能力，是具身智能落地前的重要过渡形态。报告将回顾GUI Agent从依赖外部工作流在系统层补偿模型能力，到通过训练将能力内化为模型原生能力的发展过程，并讨论未来终端智能在自然交互、自动化和定制化等方面的发展趋势。

封雪

北京通用人工智能研究院

嘉宾简介：

封雪，北京通用人工智能研究院研究员，跨媒体通用人工智能全国重点实验室研究员，北京大学通用人工智能实验班校外导师，并担任多所高校"通计划"联合培养博士生专项计划行业导师。博士毕业于北京大学，普林斯顿大学联合培养博士。研究方向为多智能体强化学习、智能博弈、复杂网络与计算社会认知。已在 NeurIPS、ICML、ACL 等国际顶级会议发表多篇论文，2019年获张嗣瀛优秀青年论文奖。

报告题目：认知驱动的社会化交互

报告摘要：社会智能是人类区别于其他灵长类的重要能力，其核心在于对他人心智状态（如意图、信念与价值）的理解与推断，也是迈向通用人工智能的关键瓶颈之一。与以物理规律建模为主的智能研究不同，社会智能建立在心理认知机制之上，依赖个体在交互过程中对他人心智的建模与动态更新。然而，当前人工智能系统，尤其是大语言模型，在社会推理中仍主要依赖表层模式匹配，缺乏对深层心理认知过程的刻画，因而在复杂或分布外的社交情境中表现出显著局限。本报告将聚焦现实世界"物理-社会"耦合的关键特征，探索从客观物理规律到主观心理认知再到社会行为交互的统一表征框架，重点讨论智能体如何通过对他人心智状态的推断，实现从感知到推理再到决策的跨层整合。

王岚君

天津大学

嘉宾简介：

王岚君，天津大学研究员，博士生导师。加入天津大学前，她曾任IBM高级研究员、华为技术专家。作为华为云模型可信负责人，建立业界首个人工智能云服务安全标准。主持开发的华为端云协同平台获得2019中国数字博览会"新技术"奖。主持国家自然科学基金项目及多项企业合作项目，并参与国家自然科学基金联合重点项目、国家社科基金重大项目等。已发表高水平论文三十余篇，授权专利四十余项。

报告题目：社会模拟下的群体认知计算

报告摘要：多媒体任务（如有害隐晦图像识别、广告文案生成等）多依赖个体行为数据驱动，难以捕捉群体认知的涌现特性。本报告提出基于社会模拟器的群体认知计算框架，通过构建多智能体协同演化模型，实现对群体认知信息的建模。该框架突破传统数据池限制，将群体共识、主观理解、决策路径等认知要素编码为增强特征，驱动多媒体任务范式升级，为认知智能时代的多媒体系统提供新方法论。

专题论坛：新一代多模态智能：从认知到预判的能力跃迁

论坛简介

随着人工智能技术的持续演进，智能系统正从以感知与识别为核心的"认知阶段"，逐步迈向融合生成与推理能力的更高层次发展阶段。在复杂环境与多源信息的驱动下，人工智能不仅需要理解现实世界，还需要具备内容生成能力以及对未来状态的推断能力，从而支撑更加复杂和动态的应用需求。 当前，人工智能的发展正呈现出"三重能力跃迁"的趋势：一是认知能力的提升，使系统能够对多源信息进行统一理解与推理；二是生成能力的增强，使系统具备更强的表达、建模与交互能力；三是预判能力的初步形成，使系统能够在开放环境中对未来事件进行推断与预测。这一演进路径正在推动人工智能从"被动感知"走向"主动理解与预见"。 本论坛围绕新一代智能系统的关键技术展开，邀请来自相关领域的专家学者进行报告与交流，内容涵盖模型高效训练、多模态视频理解与生成、虚拟数字人驱动、三维感知建模以及开放环境下的预测方法等方向。通过不同技术路径的系统性展示，探讨认知、生成与预判能力如何协同发展，以及其在复杂真实场景中的应用潜力与关键挑战。论坛旨在为人工智能领域的研究人员与从业者搭建交流平台，围绕智能系统能力演进的核心问题展开深入讨论，推动相关理论与方法的发展，并促进人工智能技术向更高层次智能形态的演进。

论坛召集人

孙晓帅

厦门大学

孙晓帅，厦门大学信息学院人工智能系教授、系主任。长期从事多媒体大数据分析、跨模态计算、深度学习对抗攻防等方向的研究。主持国家重点研发计划课题、国家自然科学基金联合基金重点、福建省杰青、腾讯/百度/网易/快手等企业合作项目，发表中国计算机学会（CCF）A类及JCR一区论文100余篇，谷歌引用9900余次，获福建省科技进步一等奖、厦门市科技进步一等奖，入选国家级青年人才、福建省科技创新领军人才。

纪家沂

厦门大学

纪家沂，厦门大学人工智能研究院副教授，博士生导师。曾担任新加坡国立大学NExT++ 研究中心博士后研究员，博士毕业于厦门大学。长期从事计算机视觉和多模态处理领域研究。主持国家自然科学基金青年基金项目和博士后面上基金，作为骨干成员参与科技创新2030—"新一代人工智能"重大项目。共发表顶级会议期刊论文超过40篇，包括CVPR、ICCV、ICML和TPAMI等。担任一区期刊Pattern Recognition的副编辑，ACM MM 2025的Proceeding Chair，担任ACM MM 2024，NeurIPS 2025，ACM MM 2025和CVPR 2026等CCF-A类会议领域主席，担任2024中国媒体大会、第三届机器学习算法与自然语言处理大会和2025年图像图形学大会的论坛主席的论坛主席。

张岩

厦门大学

张岩，本硕博毕业于哈尔滨工业大学，现任厦门大学教育部重点实验室工程师，长期从事人工智能、计算机视觉等方向研究，已发表子刊及CCF-A类期刊会议论文20余篇，授权发明专利10余项，担任ACM MM 2025/2026、ICASSP 2025、ICME等多个国内外高水平学术会议领域主席/分论坛主席。

张声传

厦门大学

张声传，厦门大学信息学院副教授，博士生导师，国家级青年人才，南强青年拔尖支持计划B类人才，长期从事图像合成研究，已发表论文30余篇，其中TIP、TNN、TMM等领域权威期刊论文12篇，CVPR、ICCV等中国计算机学会推荐A类国际会议论文15篇，相关论文入选IJCAI 2018、ICCV 2021、CVPR 2021口头报告文章等。

论坛讲者

纪荣嵘

厦门大学

嘉宾简介：

纪荣嵘，厦门大学教授、博导，现任厦门大学校长助理，人工智能研究院执行院长，教育部重点实验室主任。国家杰青、国务院特殊津贴获得者。长期从事人工智能领域前沿技术研究，近年来发表领域顶级期刊会议长文百余篇，谷歌学术引用近5万次。获2016年教育部技术发明一等奖、2018、2020、2023年省科技进步一等奖，福建省人工智能专家组组长。

报告题目：多模态大模型高效训练与压缩

报告摘要：本报告介绍了面向大规模预训练模型的一系列高效压缩和加速技术创新。针对多模态大模型在实际部署中面临的计算资源受限问题，我们提出了从模型适配、参数压缩到推理加速的完整技术方案，包括：基于混合模态的高效视觉-语言指令迁移技术(LaVIN)、结合参数与计算效率的迁移学习方法(PCETL)、无需重训练的动态稀疏化方案、动态路由专家架构、基于仿射变换的模型量化技术(AffineQuant)以及分布拟合的视觉token剪枝方法(FitPrune)。这些技术在保持模型性能的同时，显著降低了计算开销和存储需求，已成功部署在多种国产计算平台和移动终端上，为大模型的广泛应用提供了关键技术支撑。

张盛平

哈尔滨工业大学

嘉宾简介：

张盛平，哈尔滨工业大学长聘教授、如本科技首席科学家，入选国家级青年人才计划。主要研究方向为三维视觉和具身智能。主持国自然基金5项、华为项目10余项，被华为授予2021年"HUAWEI Ascend Expert"和 2022年"昇腾众智星光奖"荣誉称号，荣获2022年度教育部-华为"智能基座"栋梁之师。研究成果获省部级科研奖励5项。已发表学术论文100余篇。

报告题目：超写实虚拟数字人驱动技术

报告摘要：赋予情感的虚拟数字人在元宇宙，虚拟现实等多项应用中发挥着重要作用，而其中，如何通过带有情感的动作信号准确驱动虚拟数字人，是提升数字人真实感和沉浸感的关键问题。因此，为了增强虚拟数字人驱动的准确性与稳定性，我们从二维和三维的不同人体表达出发，挖掘驱动信号与人体表示在不同维度下的关联性，提出基于生成式大模型的可控人体视频生成算法和基于3D高斯的三维人体驱动算法，进而在单目拍摄的视频中学习一个可驱动的二维/三维超写实虚拟数字人表示，为情感动作的精确表达提供高效的载体。

丁恒辉

复旦大学

嘉宾简介：

丁恒辉，复旦大学青年研究员，博导，入选国家海外高层次青年人才，任上海市计算机学会副秘书长。2020年于新加坡南洋理工大学获博士学位。曾在TikTok AI Lab、MMLab@NTU、ETH Zurich担任研究员/博士后。主要从事计算机视觉、多模态、场景理解等研究。过去5年内共发表论文100多篇。担任TIP和Pattern Recognition期刊编委，担任多个国际顶级会议的Area Chair或Senior Area Chair。

报告题目：多模态视频理解与生成

报告摘要：多模态视频理解与生成是推动智能视觉系统走向真实应用的关键技术。现有方法和数据集大多聚焦于受限场景和强约束条件下的视频与图像分割，难以满足开放复杂环境的需求。本报告首先针对多模态视频分割的实际应用挑战，介绍了复杂场景视频分割 MOSE、基于动作描述的多模态视频分割 MeViS 以及全模态视听内容理解 OmniAVS 等新任务、新数据集和关键技术，推动多模态视频理解在真实场景下的发展。随着视频生成模型的进步，对视频中生成内容的可控性需求日益提升。本报告进一步介绍了运动可控视频生成 SynFMC、任意模态驱动的图生视频 AnyI2V 以及一致性角色生成 CharaConsist 等方法，探索高自由度且可精确控制的视频生成技术，为多模态视频的真实应用提供更丰富、更高效的解决方案。

张铭津

西安电子科技大学

嘉宾简介：

张铭津，西安电子科技大学教授，博导，国家级青年人才。长期围绕计算机视觉开展研究，曾入选中国科协青年人才托举工程、中国图象图形学会石青云女科学家、获吴文俊中国人工智能优秀青年奖，指导学生获中国"互联网+"大学生创新创业大赛冠军等。以第一作者/通讯作者在领域内国际重要期刊及会议发表学术论文50余篇。

报告题目：红外场景三维重建与目标检测一体化框架

报告摘要：红外三维重建与目标检测是无人系统环境感知的关键技术，但仍面临数据维度单一、几何精度不足和检测虚警高等问题。本报告面向高可信红外场景解析，构建融合光谱、几何与语义信息的计算成像与智能感知框架。首先，提出基于编码孔径的红外计算光谱成像模型，在单次曝光中同步获取空间与光谱信息，提升同温异材目标区分能力。其次，构建光谱约束的红外三维重建模型，引入材质光谱先验，联合优化几何结构与温度场分布，实现高保真三维点云重建。最后，提出几何先验引导的红外弱小目标检测方法，利用三维结构信息抑制背景杂波，提高检测率并降低虚警率。

马云山

新加坡管理大学

嘉宾简介：

马云山，新加坡管理大学助理教授（长聘轨），博士毕业于新加坡国立大学，长期从事多模态事件预测、推荐系统研究，相关成果发表于ACM MM、SIGIR和TMM等国际顶级会议和期刊，曾获ICMR 2021最佳学生论文奖、ICLR 2025杰出论文奖、MMAsia 2025最佳演示奖、MMM 2026最佳论文奖。担任ACM Multimedia 2025开源软件主席、ACM ICAIF 2025本地主席和ACM Multimedia Asia 2025挑战赛主席等学术服务工作。

报告题目：面向开放世界预测的多模态大语言模型

报告摘要：预测未来事件是人工智能的重要挑战。传统方法多依赖单一模态数据和预定义事件类别，难以适应现实世界的多源、开放和不确定特征。本报告围绕多模态大语言模型驱动的开放世界预测展开，聚焦社会动荡、气候灾害、金融市场等复杂场景，探讨文本、图像、时序信号和图结构等多源信息的融合建模。报告将梳理预测范式从单模态模型向多模态融合、结构化关系建模与大模型推理演进的关键趋势，并结合地缘政治、金融、网络安全和时尚趋势预测等应用，分析多模态大语言模型在开放世界预测中的技术潜力与挑战。

专题论坛：非理想场景下的多模态智能：鲁棒感知、复杂推理与融合应用

论坛简介

近年来，多模态智能已成为人工智能与多媒体领域的重要发展方向，在视觉理解、内容生成、智能交互、医学分析、具身智能等方面展现出广阔前景。然而，真实应用环境中的多模态数据常常并不理想，普遍存在模态退化、噪声干扰、信息缺失、语义偏移、推理失误以及领域迁移困难等问题。这些挑战不仅制约了多模态模型的性能提升，也对系统的鲁棒性、可信性与落地能力提出了更高要求。本论坛聚焦非理想场景下的多模态智能，围绕鲁棒感知、统一融合、复杂推理、视觉生成及医学应用等热点问题，邀请相关方向具有代表性成果的专家学者开展交流。论坛内容既关注多模态学习的基础理论与关键方法，也重视真实复杂环境中的实际应用，重点探讨低质量条件下的表征学习与可靠决策、复杂推理中的误差传播与能力评测、多模态融合的统一趋势，以及多模态技术在医疗等领域中的落地路径。论坛希望通过跨方向、跨层次的学术讨论，系统呈现当前多模态智能的发展脉络，促进学界对非理想条件下多模态智能关键问题的深入认识，推动相关理论创新、方法突破与交叉合作，为多媒体领域研究者搭建高水平的学术交流平台。

论坛召集人

吴小俊

江南大学

吴小俊，IAPR Fellow、AAIA Fellow、AIIA Fellow、江南大学至善教授、研究生院院长、Josef Kittler人工智能研究院院长、教育部装发创新团队负责人、科技部中英人工智能联合实验室主任、教育部/江苏省人工智能国际合作联合实验室主任、2006年教育部新世纪优秀人才、江苏省333工程第一层次人才。从事模式识别与人工智能的研究，在TPAMI、IJCV、TIP、CVPR、ICCV等期刊和会议上发表论文400余篇，出版学术著作5本。研究成果获得国内外学术奖励30余项；现任IEEE智慧城市指导委员会委员、教育部计算机类教学指导委员会委员、中国图像图形学会理事和江苏省人工智能学会副理事长等职。

陈哲

安徽工业大学

陈哲，安徽工业大学资格教授，人工智能系主任，中国人工智能学会机器学习专委会通讯委员。主要研究方向为多模态表征学习与聚类，以第一/通讯作者在CVPR、ICLR、TIP、TKDE、TNNLS、TCSVT等领域重要期刊或会议上发表多篇学术论文。主持国家自然科学基金青年项目、安徽省高校自然科学基金重点项目、安徽省质量工程项目。荣获安徽工业大学五四青年奖章、安徽工业大学优秀青年工作者等荣誉。

胡世哲

郑州大学

胡世哲，郑州大学直聘研究员，博士生导师，河南省优青。主要研究方向有具身多模态感知、多视图学习、可信多模态学习、信息瓶颈理论、连续学习、聚类分析等。已以第一/通讯作者在IEEE TPAMI、TIP、TKDE、计算机学报等领域重要期刊及ICLR、NeurIPS、ICML等重要国际会议发表论文30余篇，发表后得到国内外广泛关注和积极评价。担任期刊TIP和PR的AE，以及会议ICLR和ICML的AC。主持国自然面上项目/青年项目、省优秀青年科学基金、河南省重大科技专项子课题等项目。

文杰

哈尔滨工业大学（深圳）

文杰，哈尔滨工业大学（深圳）教授，博导。2019年获评"中国博士后创新人才支持计划"。主持国基面上+青年、广东省青年提升（省优青）等十多个项目。研究方向包括多模态/多视图学习、异常检测、目标检测等，在TPAMI、NIPS、ICML、CVPR等期刊和会议上发表论文百余篇，谷歌学术引用9200多次，6篇一作/通讯论文入选ESI高被引论文，获AAAI 2023优秀论文奖。担任TPAMI、TIP、TIFS、TCSVT、Pattern Recognition期刊副编辑，担任Information Fusion期刊领域编辑，担任NeurIPS、ICML、ICLR、ACMMM等A类顶会领域主席。

论坛讲者

彭宇新

北京大学

嘉宾简介：

彭宇新，北京大学二级教授、博雅特聘教授，IEEE/CCF/CAAI/CIE/ CSIG Fellow，2019年国家杰青，2025年国家杰青延续资助，2019年国家万人领军人才，2018年科技部中青年科技创新领军人才，863项目首席专家，国家重点研发计划"社会治理与智慧社会科技支撑（平安中国）"重点专项总体专家组专家，中国工程院"人工智能2.0"规划专家委员会专家，中国人工智能产业创新联盟专家委员会主任，中国图象图形学学会副理事长，北京图象图形学学会副理事长。主要研究方向为多媒体分析、计算机视觉、人工智能。以第一完成人获2016年北京市科学技术奖一等奖和2020年中国电子学会科技进步奖一等奖，2008年获北京大学宝钢奖教金优秀奖，2017年获北京大学教学优秀奖。主持了863、国家自然基金重点（2项）、北京自然基金联合基金重点、发改委专项等40多个项目。发表TPAMI、IJCV、CVPR、NeurIPS、ICML等ACM/IEEE Trans.和CCF A类论文近200篇，获最佳论文奖2次。参加10届（10年）由美国国家标准与技术研究院（NIST）举办的国际评测TRECVID视频搜索比赛，均获第一名，参赛队伍包括斯坦福大学、卡内基梅隆大学、牛津大学等。成果应用于国家网信办、公安部、国家广播电视总局等重要单位以及华为、腾讯、快手、蔚来、美团、中国电信、中国铁塔等头部企业。担任IEEE TCSVT高级领域编委、IEEE TMM等期刊编委，培养博士生获中国计算机学会、中国电子学会等优博。

报告题目：细粒度多模态大模型

报告摘要：多模态大模型在通用任务上表现出色，但缺乏细粒度感知能力，如何做到又广（开域泛化能力）又深（细粒度感知能力），是多模态大模型亟需解决的关键问题。本报告将从类别、空间、时间三个感知维度阐释"细粒度多模态大模型"的定义，介绍近年来的主要研究进展，包括细粒度图像分类大模型、细粒度空间推理与占用预测、细粒度美学理解、细粒度运动分析等方法与技术，同时深入分析其优缺点和应用场景，最后将对细粒度多模态大模型的未来发展趋势进行展望。

鲁继文

清华大学

嘉宾简介：

鲁继文，清华大学长聘教授、自动化系副主任、国家杰出青年科学基金获得者、IEEE/IAPR Fellow、国际期刊Pattern Recognition Letters主编。主要研究领域包括模式识别、具身智能与机器人，发表T-PAMI论文50余篇，获授权国家发明专利60余项，主持国家重点研发计划项目1项、国家自然科学基金重点项目3项，以第一完成人获中国电子学会自然科学一等奖1项、技术发明一等奖1项、吴文俊人工智能自然科学一等奖1项。担任中国图象图形学学会理事、副秘书长、视觉认知与计算专委会副主任，中国仿真学会理事、视觉计算与仿真专委会主任，中国自动化学会专家咨询工作委员会副主任。

报告题目：视觉内容智能生成

报告摘要：视觉内容智能生成是计算机视觉的研究热点，也是生成式人工智能的重要研究方向，在公共安全、消费电子、文化影视等领域有着重要的应用前景。报告将介绍视觉内容智能生成近年来的主要研究进展，包括图像视频超分、点云数据补全、长程文生视频、多模内容合成等方法与技术，并介绍典型应用案例，最后对未来发展趋势进行展望。

刘新旺

国防科技大学

嘉宾简介：

刘新旺，国防科技大学计算机学院教授、博导，国家杰青(2023)、国家优青(2019)获得者，基金委重点项目、科技创新2030重大项目负责人，基金委创新群体A类核心成员。主要研究方向为机器学习、数据挖掘等。共发表CCF A类期刊/会议论文200余篇, 包括IEEE T-PAMI 30篇 (含3篇独立作者)，谷歌学术引用2万余次, 连续3年入选全球2%顶尖科学奖榜单。研究成果获中国计算机学会自然科学一等奖(2025, 排1)、中国图象图形学学会自然科学二等奖 (2024) 、湖南省自然科学二等奖(2024)等。担任IEEE T-KDE、IEEE T-NNLS、IEEE T-CYB等国际顶刊AE, 以及ICML、NeurIPS等国际顶会领域主席。

报告题目：攻与防：鲁棒图机器学习

报告摘要：图机器学习作为处理复杂关系数据的核心技术，已广泛应用于社交网络分析、推荐系统与生物医药等领域，展现出显著应用价值。然而，随着人工智能研究的深入，性能不再是唯一值得关注的问题，模型是否安全可靠也是现阶段研究者们探索的重要研究方向。通过调研，不难发现现有图学习方法易受到针对图结构、图属性的后门攻击与对抗样本攻击，进而使其性能受到波动、可靠性下降。针上述问题，本课题组提出如下创新性研究方案：（1）基于自监督学习的防御方法，以应对后门攻击的挑战；（2）重要性驱动的随机采样防御方法，以应对对抗样本攻击的挑战。此外，课题组进一步针对知识图谱，这一更具体、复杂的图数据类型，进行了相关的研究，为实现更安全的图谱学习提供了指导。最后，关于图学习的未来潜在研究方向，本汇报也进行了梳理并展望。

彭玺

四川大学

嘉宾简介：

彭玺，四川大学教授，博导，教育部"长江学者"特聘教授、人工智能学院副院长，中国图像图形学学会提名与奖励工委副主委、机器视觉专委会副主委，电子学会虚拟现实分会副主委，中国人工智能学会智能融合专委会常委。研究方向为机器学习算法及其在多学科交叉领域上的应用（AI4LifeScience和AI4Fluids），在Nature Communications、JMLR、TPAMI、IJCV等国际权威刊物上发表学术论文百余篇；指导学生获博新项目、博士生基金、百度奖学金、多个学会优博论文等荣誉；是TPAMI、TIP等国际期刊副主编。

报告题目：模态复杂推理中的非完美思维研究

报告摘要：OpenClaw等智能体系统对多模态大模型的复杂推理能力提出了更高要求。然而，现有研究普遍隐含假设推理过程中的中间思维步骤是完美无错的，忽视了模型在复杂任务求解中普遍存在的"非完美思维"现象。尤其在多模态复杂推理中，涉及视觉感知、概念抽象与逻辑推理等多个环节，一旦出现未经深究的捷径式错误或文不对题的逻辑偏差，便可能诱发"思维惰性"与"思维噪声"等非完美思维现象，并沿推理链路逐级累积放大，最终导致"一步错、步步错"的连锁失败。针对上述问题，本报告从评测基准与推理算法两个维度介绍团队的最新研究进展，重点探讨复杂推理场景下模型能力的评测方法、非完美思维的表现形式及其应对策略。在评测基准方面，我们从知识与推理两个维度刻画模型的能力边界，关注模型能否避免惰性思维，具备复杂推理能力。在推理算法方面，研究了大模型在"按图索骥"（Thinking with Images）过程中存在的潜在感知错误与推理错误，尝试通过提升模型对噪声思维的鲁棒性，赋予其更可靠的推理能力。

张长青

天津大学

嘉宾简介：

张长青，天津大学教授/博士生导师，国家级青年人才，其主要研究方向为多模态人工智能和大模型技术。在TPAMI、ICML等顶级期刊和国际会议上发表论文100余篇，多篇论文入选ICML、CVPR、NeurIPS口头报告或亮点论文，谷歌学术引用1.5万余次。研究成果获天津市自然科学一等奖、重庆市自然科学一等奖、CSIG自然科学奖一等奖、ICME最佳论文等奖励，入选全球高潜力人工智能华人青年学者榜单、爱思唯尔"中国高被引学者"。担任TIP、Pattern Recognition编委，《电子学报》、《中国图象图形学报》编委及CCF-A类会议ICML/ICLR/NeurIPS领域主席。

报告题目：多模态融合：迈向统一的趋势

报告摘要：多模态信息融合在科学发现、智慧医疗、具身智能等领域具有广泛和重要应用。不同模态数据蕴含的信息具有互补性、冗余性、动态性、不平衡、不完整等诸多复杂关联和不确定性，其对多模态数据融合的效果产生了深刻的影响。基于上述特性，传统方法百花齐放，在诸多领域落地应用。然而，一个自然的问题随之出现，即是否存在统一的融合方式？本报告将探讨这一问题，介绍相关多模态数据的融合理论、方法和应用。

胡鹏

四川大学

嘉宾简介：

胡鹏，四川大学计算机学院教授，博士生导师，国家级青年人才。主要研究方向为多模态学习与多媒体分析。已在Nature子刊、TPAMI、IJCV、TIP、CVPR、ICML、ICLR等国际期刊/会议上发表学术论文80余篇。研究成果获得CSIG青年科学家奖、CSIG自然科学一等奖、四川省自然科学二等奖、CAAI教学成果激励计划一类成果等。主持国家自然科学基金（联合重点、面上、青年）项目、国家重点研发计划课题等。担任CSIG青工委副秘书长；担任NeurIPS、ICML等多个重要国际学术会议的领域主席；担任Pattern Recognition等期刊编委。

报告题目：面向低质感知的鲁棒多模态学习与可信推理

报告摘要：尽管多模态感知技术在理想场景下取得了瞩目成就，但在实际应用中，由于传感器退化、环境干扰或数据缺失，系统往往面临严峻的低质多模态感知挑战。这类低质数据不仅充斥着严重的模态错位与噪声关联，更极大地放大了模型在复杂环境下的决策风险。本报告将聚焦如何突破低质感知的瓶颈，系统探讨提升多模态系统全链路鲁棒性与可信度的关键技术。主要内容包括：1）面向低质数据的抗噪鲁棒学习：探讨如何通过设计自适应的噪声过滤与鲁棒损失策略，在严重降级的多模态数据中挖掘并对齐有效语义，筑牢表征基础；2）基于不确定性量化的可信推理：介绍在低质感知条件下，如何赋予多模态检索与分类模型"知其所不知"的能力，通过量化预测不确定性来规避高风险决策，提升系统在极端工况下的可靠性。最后，本报告将结合课题组最新成果，探讨低质多模态感知走向实际落地的机遇与挑战。

唐厂

华中科技大学

嘉宾简介：

唐厂，华中科技大学软件学院教授、博士生导师，湖北省"杰青"、"青拔"和"楚天学子"。从事多模态机器学习及医学应用方面的研究，发表学术论文100余篇，其中ESI高被引论文12篇，谷歌学术总引10000余次。主持国家自然科学基金青年基金B类（原优青）等项目4项、湖北省自然科学基金2项、山东省自然科学基金创新发展联合基金重点项目1项。担任NN、JBHI等期刊编委。获2024年度CSIG自然科学二等奖、2024年吴文俊人工智能自然科学奖一等奖。

报告题目：多模态融合方法及其医学应用

报告摘要：随着信息采集技术的飞速发展，单一模态的数据已难以满足复杂场景下的智能感知需求。图像、文本、语音、传感器信号等不同模态的数据各自从特定维度刻画客观世界，却因结构异构、语义鸿沟而彼此割裂，形成"数据孤岛"。多模态融合技术应运而生，旨在通过整合异质多源数据，挖掘模态间的互补性与协同性，构建比单一模态更全面、鲁棒的信息表征。该技术已成为人工智能领域的重要发展方向，在智能交互、自动驾驶、医学诊断等场景中展现出关键价值。本报告聚焦多模态融合方法，并介绍其在医学领域的应用。

白亮

山西大学

嘉宾简介：

白亮，山西大学智能信息处理研究所所长，教授，博士生导师，国家优秀青年基金获得者。主要研究方向为机器学习，相关研究成果发表在Nature Communications、AIJ、IEEE TPAMI、IEEE TKDE、ICML等国际重要学术期刊和会议70余篇，主持国家自然科学基金重点项目、科技部新一代人工智能重大项目课题等，博士论文获得了中国人工智能学会优秀博士学位论文奖，作为主要完成人2次获得山西省科学技术奖（自然科学类）一等奖。

报告题目：多模态学习及其在医疗领域的应用

报告摘要：多模态数据在各类行业场景中广泛存在，多模态基础模型为跨模态对齐与信息融合提供了强有力的技术支撑。然而，当通用多模态模型迁移至医疗等专业领域时，往往面临标注成本高、强依赖专业知识以及样本稀缺等挑战。针对这些问题，本报告以医疗数据分析为应用背景，介绍我们课题组如何挖掘医疗多模态数据中蕴含的自监督信号与判别性语义信息，并通过面向特定领域的监督与语义增强策略，提高模型对医疗数据的表征能力。基于这些增强方法，我们在预训练与领域自适应阶段有效缩小了通用模型与医疗数据分布之间的差异，从而显著提升模型在标注不足与少样本条件下的适应性能。

专题论坛：视觉编码及处理前沿论坛

论坛简介

随着大模型与计算机视觉技术的深度融合，视觉数据的编码效率、处理精度与应用广度成为推动多媒体领域升级的关键支撑。然而，传统视觉编码与处理技术面临诸多瓶颈，包括视觉内容自适应性缺乏、高维视觉数据表达效率低等，这些问题严重制约了视觉技术的产业化落地。如何突破技术瓶颈，整合视觉表征、动态重建、视觉处理等前沿方向，实现视觉数据高效编码、智能处理与应用，成为当前视觉编码及处理领域亟待攻克的核心难题。在此背景下，本次论坛汇聚国内顶尖学者，围绕视觉编码及处理前沿技术展开深入研讨，探索视觉编码和处理在当前人工智能和大模型下的进一步发展。

论坛召集人

雷建军

天津大学

雷建军，天津大学，讲席教授，国家杰出青年科学基金获得者。研究方向包括多媒体通信与信息处理、人工智能与模式识别等。主持承担了国家重点研发计划项目、国家自然科学基金重点项目、天津市人工智能科技重大专项项目等；发表IEEE Trans汇刊论文80余篇；担任IEEE Transactions on Vehicular Technology、China Communications、电子学报编委；获天津市科技进步一等奖、天津市技术发明一等奖、国家技术发明二等奖，入选天津市中青年科技创新领军人才、天津市131人才工程、北洋学者计划。

李帅

山东大学

李帅，山东大学，教授，齐鲁青年学者。致力于高效视频编码及分析、计算机视觉及人工智能的研究，已发表国际期刊及会议论文100余篇。荣获3次国际学术会议最佳论文奖（IEEE ISCAS、IEEE BMSB、IIH-MSP），并荣获IEEE Transactions on Broadcasting最佳论文奖提名。代表性工作独立循环神经网络（IndRNN）获得国际多位知名专家引文的肯定，包括图灵奖共同得主之一Yoshua Bengio，单篇引用1300+次，并被集成到多个深度学习软件库中。

彭勃

天津大学

彭勃，天津大学，副教授。研究方向包括3D视频编码与内容处理、三维计算机视觉等，发表学术论文70余篇，包括IEEE/ACM Trans长文50余篇；主持承担了国家自然科学基金面上项目、国家自然科学基金青年项目、国家自然科学基金重点项目课题、国家重点研发计划项目子课题、天津市自然科学基金青年项目等。获天津市科技进步二等奖（排名第1）、天津市优秀博士学位论文、天津市科技进步一等奖(排名第10)；入选天津市青年科技人才（第一批）。

高艳博

山东大学

高艳博，山东大学，软件学院，入选山东大学青年学者未来计划，获ACM济南分会新星奖。研究方向包括视频编码、三维视频处理等，已发表国际期刊及会议论文40余篇，获得1次国际学术会议（IEEE BMSB）最佳学生论文奖，1篇一作论文入选ESI Highly Cited Paper（高被引论文），获国际竞赛UbiComp SHL Challenge第二名，获2025年度山东省计算机视觉最佳学术论文奖。已采纳（或部分采纳）国际国内视频编码标准提案6项，其中国际IVC提案1项，国内AVS提案5项。

论坛讲者

虞露

浙江大学

嘉宾简介：

虞露，浙江大学求是特聘教授。目前担任ISO/IEC MPEG视频编码标准工作组召集人，全国信息技术标准化委员会多媒体分委会副主任委员。主要研究领域包括二维/三维图像视频编码、视觉感知及视频质量评价。牵头制定AVS1/AVS+、AVS2等系列国家标准，MPEG-7 NNC神经网络压缩编码、MPEG-I MIV沉浸式视频编码、MPEG-5 EVC高效视频编码、MPEG-5 LCEVC低复杂度增强视频编码等国际标准。获得国家科技进步二等奖、ISO/IEC 和IEEE多项标准贡献奖、以及"AVS二十周年二十人"荣誉。

报告题目：空间视频表征、编码与智能应用

报告摘要：空间视频是继传统二维超高清视频和全景视频之后刻画三维动态场景视觉信息的新媒体形式，不仅能为元宇宙用户提供身临其境的高级视觉沉浸感，而且是视觉人工智能走向物理世界必然面对的新形态数据。针对空间视频表征形式的异构非均匀、内容冗余重复、时空特征非对齐及海量数据存储传输等核心难题，报告将聚焦空间视频的表征优化、高效编码与智能应用三大核心方向，重点探讨多模态空间视觉统一表征建模、时空相关性挖掘与高效编码机制。同时结合深度学习与空间感知技术，剖析空间视频在三维场景重建、沉浸式交互、环境理解等空间智能场景的落地路径，梳理当前技术瓶颈与标准化发展趋势，展望面向下一代沉浸式空间视频编码体系与智能应用新范式，为相关领域理论研究与工程实践提供参考思路。

田永鸿

北京大学

嘉宾简介：

田永鸿，北京大学博雅特聘教授，IEEE Fellow，北京大学深圳研究生院副院长兼科学智能学院执行院长，深圳河套学院兼职副院长，鹏城实验室智能计算部副主任兼云脑研究所所长，类脑脉冲大模型北京市重点实验室主任，首批国家杰出青年基金延续资助计划获得者。主要研究方向为分布式机器学习、类脑神经网络、神经形态视觉和AI for Science。累计主持国家重点研发计划、国基金等项目40余项，在Nature/Science子刊、IEEE Trans等期刊/会议发表论文400余篇，拥有美/中国发明专利120余项，获国家二等奖与省部一等奖6项、IEEE标准奖2项、首届祖冲之奖重大成果奖、首届粤港澳大湾区人工智能与机器人奖一等奖、IEEE Hans Karlsson奖等，是首届高校计算机专业优秀教师奖励计划获奖者和首届中国研究生导师发展共同体"优秀研究生导师"。

报告题目：神经形态视觉感知计算

报告摘要：人工智能的愿景在于构建能以类人方式感知并交互的智能系统。然而，面对极端光照、高速运动等复杂动态场景，传统基于帧的视觉感知处理架构在功耗、时延及动态范围上正面临严峻瓶颈。因此，借鉴生物大脑高效的信息处理机制，发展"神经形态感知计算"已成为突破这一困局的关键途径。本报告将聚焦"神经形态视觉+脉冲神经网络（SNN）"的感算融合新架构，重点探讨神经形态超高速感知成像、大规模脉冲神经网络和感算一体的神经形态仪器等三个核心方向所面临的挑战与研究进展，为构建新一代类脑智能视觉系统探索新范式与新方向。

白慧慧

北京交通大学

嘉宾简介：

白慧慧，北京交通大学教授、博士生导师，国家级高层次人才。主要研究方向是图像视频编码和增强等。已发表包括IEEE汇刊及CCF A类会议论文100余篇。获国际专利授权3项、国家发明专利授权20余项。主持国家自然科学基金重点项目/企业联合基金项目、北京市自然科学基金项目等。获北京市自然科学一等奖、北京市科技进步二等奖、中国电子学会青年科学家奖、中国产学研合作创新成果奖二等奖、中国人工智能学会教学成果一等奖、中国图象图形学学会教学成果二等奖等。

报告题目：面向内容自适应的视觉编码模型探索

报告摘要：随着数字媒体与人工智能技术的快速发展，视觉数据呈现海量增长与内容多元化的趋势，对编码模型的效率、灵活性与适应性提出更高要求。传统视觉编码方法多采用统一处理机制，难以应对图像内部结构与语义的复杂差异，限制了压缩性能的上限。本报告重点探讨如何使编码模型具备感知图像内容差异的能力，并据此动态调整编码策略。针对自然图像与屏幕内容两类典型视觉数据，分别探索了基于粒度动态分配与基于区域结构分离的自适应编码机制。这些探索表明，视觉编码模型正逐步从"被动压缩"走向"主动理解"，内容自适应的建模思路有望在提升压缩效率、降低码率开销、增强模型泛化能力等方面释放更大潜力。

刘贤明

哈尔滨工业大学

嘉宾简介：

刘贤明，现任哈工大计算机学院长聘教授、副院长。国家自然科学青年科学基金A类（原国家杰青）和B类（原国家优青）获得者。研究方向为可信赖机器学习、多媒体信息处理，在Nature Methods、Nature Communications、TPAMI、TRO、ICML、ICLR、NeurIPS等国际顶级期刊和会议上发表论文200余篇。获得中国电子学会青年科学家奖、中国人工智能学会吴文俊自然科学一等奖和优秀青年奖、中国图象图形学学会自然科学二等奖、黑龙江省青年科技奖。主持国家重点研发计划重点专项项目、课题，国家自然科学青A、优青、重大研究计划、面上和青年等项目。指导博士生获中国人工智能学会优秀博士论文奖、首批国家自然科学基金青年学生基础研究项目资助。荣获哈工大"育人新星"青年导师荣誉称号和黑龙江省研究生教学成果奖特等奖（第二完成人）。

报告题目：从集中式数据压缩到分布式数据协同

报告摘要：针对人工智能在高通量数据存储、跨机构数据协同及合规性数据利用方面的多重挑战，本研究构建了从高效存储到公平协作再到动态治理的全生命周期医疗数据治理方案。首先，通过深度有损加残差编码框架，利用变分自编码器与自回归上下文建模实现了无损与近无损模式的统一，在实现高保真重构的同时大幅提升了集中式数据压缩效率；其次，针对分布式场景下的数据孤岛与计算资源不平衡难题，提出资源自适应联邦学习，通过动态模型分支与无损知识重构保障了医疗机构间的协作公平与隐私安全。最后，为响应被遗忘权等数据监管要求，提出One-Shot帕累托联邦遗忘学习方案，在无需全局重新训练的前提下实现了特定数据影响的快速抹除与模型效用的最优平衡，从而为构建安全、高效且合规的医疗人工智能数据基座提供了技术支撑。

戴玉超

西北工业大学

嘉宾简介：

戴玉超，西北工业大学电子信息学院教授，校学术委员会委员，陕西省信息获取与处理重点实验室主任。研究方向为机器视觉、空间智能与具身智能，主持国家自然科学基金青年科学基金A类项目（原国家杰青项目）、联合基金重点项目等。近年来在TPAMI、IJCV、ICCV、CVPR、NeurIPS等国际著名期刊和会议上发表论文70余篇，谷歌学术引用超17000次，H因子62。获CVPR最佳论文奖、陕西省自然科学奖一等奖、CSIG青年科学家奖等奖项。担任国际顶刊TPAMI编委、IJCV编委，CVPR、ICCV、ECCV、NeurIPS等国际会议领域主席。

报告题目：智能三维视觉

报告摘要：三维视觉致力于赋予机器感知空间中物体位置、形状、大小以及相互关系等的能力。结合人工智能的进步，智能三维视觉旨在进一步提升机器感知和理解复杂动态三维世界的能力，是机器视觉与人工智能领域的核心内容，本次报告将汇报课题组在复杂动态场景3D/4D重建、非常规视觉传感器几何建模与学习、多模态理解与生成、大模型安全等方面的工作，并展望其在空天极端环境下的发展方向。

专题论坛：多媒体内容安全与隐私保护青年论坛

论坛简介

视觉安全与隐私是计算机视觉、图像处理、模式识别与机器学习等领域的一个重要和前沿的研究方向。此方向聚焦于视觉数据的保护、加密、对抗、隐私保护等多个方面，旨在解决视觉数据在采集、传输、存储、分析、应用等过程中可能出现的安全与隐私问题，为视觉数据的安全利用提供技术支撑和保障。随着视觉数据的规模和多样性的不断扩长，以及视觉大模型技术的飞速发展，视觉安全与隐私面临着越来越多的挑战和机遇，亟需学者探讨和创新。本论坛拟邀请国内外知名的视觉安全与隐私领域专家，分享他们的最新研究成果和经验，探讨该领域的发展趋势和未来方向，促进该领域的学术交流和合作，激发更多的青年学者对该领域的兴趣和热情，推动视觉安全与隐私领域的发展。

论坛召集人

舒祥波

南京理工大学

舒祥波，南京理工大学计算机学院/人工智能学院/软件学院副院长、教授，社会安全信息感知与系统工信部重点实验室副主任、国家优青获得者、江苏省杰青获得者。研究方向为具身智能、人体行为计算，在TPAMI、CVPR、ICCV、NeurIPS、ICLR、MM等期刊/会议上发表论文100余篇，其中ESI高被引论文8篇；获江苏省自然科学一等奖、中国电子学会自然科学一等奖、ACM MM 2015最佳论文提名、MMM 2016最佳学生论文、CCBR 2026最佳论文、江苏省优博、中国人工智能学会优博、江苏省行业领域优秀科技进展、全球前2%顶尖科学家（2021-2025年）；主持国家自然科学基金联合重点项目、国家重点研发课题、国家重大科研仪器项目课题、国家自然科学基金面上项目、江苏省杰出青年基金等项目等。担任CSIG青工委副秘书长，以及TNNLS、TCSVT、TIFS、Pattern Recognition等期刊编委。

胡鹏

四川大学

胡鹏，四川大学计算机学院教授，博士生导师，国家级青年人才。主要研究方向为多模态学习与多媒体分析。已在Nature子刊、TPAMI、IJCV、TIP、CVPR、ICCV、NeurIPS、ICML、ICLR等国际期刊/会议上发表学术论文80余篇，包括多篇ESI高被引/热点论文。研究成果获得中国图象图形学学会（CSIG）青年科学家奖、CSIG自然科学一等奖、四川省自然科学二等奖、中国人工智能学会教学成果激励计划一类成果等。主持国家自然科学基金（联合重点、面上、青年）项目、国家重点研发计划课题、四川省重点研发基金项目等。担任CSIG青工委副秘书长；担任NeurIPS、ICML、ICLR、CVPR、ECCV、ACM MM等多个重要国际学术会议的领域主席；担任Pattern Recognition等期刊编委；担任TPAMI、IJCV、TIP、TKDE等多个国际重要SCI期刊审稿人。

论坛讲者

张新鹏

上海大学

嘉宾简介：

张新鹏，国家杰出青年科学基金获得者，二级教授，上海大学计算机工程与科学学院院长。曾赴美国纽约州立大学宾汉顿分校、英国肯特大学访学，受德国洪堡基金会资助作为资深研究员赴德国康斯坦茨大学访学。主持国家自然科学基金重点项目、国家自然科学基金原创探索项目、国家重点研发计划、国家863计划等科研项目40余项。发表论文400余篇，被引20000余次，连续十二年入选"爱思唯尔"中国高被引学者榜单，并入选"科睿唯安"全球高被引科学家。申请发明专利30余项，授权近20项。以第一完成人获上海市自然科学奖一等奖，参与获得国家级教学成果二等奖两次。担任IEEE Trans. on Information Forensics and Security（IEEE T-IFS）等国际学术期刊的Associate Editor、ACM IH&MMSec与IEEE WIFS等国际学术会议的程序委员会主席和大会主席。

报告题目：从深度模型确权到AIGC溯源

报告摘要：随着AI技术的不断进步，大模型在不同领域展现出巨大的潜力，但同时也面临各种风险问题。一方面，大模型昂贵的开发成本，对模型非法窃取与传播将严重损害模型持有者的正当权益。另一方面，利用AIGC技术生成逼真的虚假照片、视频和声音等信息信息可能被别有用心者用于操纵公众舆论、捏造虚假宣传、抹黑商业对手、诋毁个人名誉甚至实施精准欺诈。模型水印技术作为一种主动防御手段，近年来被广泛应用于深度模型的版权保护和生成内容溯源。本报告将介绍深度学习模型水印的发展历程，探讨判别式模型水印和生成式模型水印的核心问题和面临的挑战，展望AIGC水印发未来发展。

刘哲理

南开大学

嘉宾简介：

刘哲理，南开大学计算机学院院长、密码与网络空间安全学院常务副院长，教育部长江学者特聘教授，教育部数据与智能系统安全重点实验室主任，教授，博士生导师。近五年，发表CCS、S&P、USENIX Security、NDSS、Eurocrypt、ASE、ICSE、IEEE TDSC、IEEE TIFS等顶级期刊论文和会议50余篇，有11篇ESI高被引论文、2篇热点论文。主要研究方向为数据安全、人工智能安全等。目前主持国家自然科学基金重点项目、国家重点研发计划、国家密码科学基金重点项目等纵向课题10余项。获天津市科技进步一等奖2项、二等奖3项，教育部自然科学奖二等奖1项、中国密码学会密码创新奖1项。主持获得天津市本科教学成果特等奖1项、主编教材获批国家十四五规划教材，主讲课程入选国家一流线上金课，获宝钢优秀教师、高校计算机优秀教师等荣誉称号。

报告题目：可信数据空间构建技术

报告摘要：概述可信数据空间技术架构、连接器、沙箱、数字合约相关研究现状，介绍数据安全相关技术和现状，提出数据胶囊理论体系，围绕三角模型、四层理论、应用实践，阐述赋能数据安全交易流通的新思路。

赫然

中国科学院自动化研究所

嘉宾简介：

赫然，中国科学院自动化研究所多模态人工智能系统全国重点实验室研究员，IAPR/IEEE Fellow，IEEE TIFS副主编。从事人工智能、模式识别和计算机视觉研究。承担国家青年科学基金ABC类以及北京杰出青年科学基金等项目。在本领域国际主流期刊TPAMI和IJCV上发表论文30余篇，第一作者15篇论文引用过百；研究工作获CAAI技术发明一等奖、CSIG自然科学一等奖、北京市科技进步二等奖等。指导学生获得IEEE SPS最佳青年论文奖、ICPR最佳科学论文奖、北京市优秀博士论文、中科院优秀博士论文、IEEE生物特征理事会优秀博士论文。曾/现任TIP资深编委、TPAMI\TCSVT\TBIOM\IJCV\PR\TMLR和自动化学报等国内外期刊编委，四次获最佳编委奖，以及NIPS\ICML\ICCV\CVPR\ECCV\ICLR\AAAI\IJCAI等会议领域主席。2019年受邀参加庆祝中华人民共和国成立70周年大会天安门广场观礼。

报告题目：生成式内容鉴别与安全

报告摘要：生成式人工智能通过对海量文本、图像、音频等数据的深度学习与模式挖掘自主生成符合人类认知逻辑的内容。基于大语言模型和多模态大语言模型的生成式人工智能技术正以迅猛之势重塑人工智能领域的发展格局。以GPT、DeepSeek为代表的生成模型凭借卓越的生成能力实现了重大技术突破，在创意创作、逻辑推理、自动决策等垂直领域的深度应用中展现出巨大潜力。本报告将介绍生成式人工智能的技术演进脉络，分析其发展过程中引发的安全风险与挑战，并介绍团队在高效图像生成、视觉内容鉴别与取证、模型安全等方向的工作。

童咏昕

北京航空航天大学

嘉宾简介：

童咏昕，北京航空航天大学教授，博士生导师，国家杰出青年科学基金、优秀青年科学基金获得者，现任计算机学院副院长、中国人工智能学会（CAAI）智能服务专委会副主任、中国计算机学会（CCF）会员与分部工委副主任、杰出讲者和CCF走进高校工作组组长。2014年于香港科技大学获计算机科学与工程学博士学位，2015年入选北京航空航天大学"卓越百人计划"。主要研究方向包括：联邦学习、大模型智能体、大模型的数据引擎、向量数据库系统等。近年先后发表TODS、VLDBJ、TKDE、SIGMOD、SIGKDD、VLDB等大数据与人工智能领域国际顶级会议/期刊论文100余篇，谷歌学术引用1.8万余次；主持国家自然科学基金青年A类（原杰青）项目、B类（原优青）项目、重点项目、国家重点研发计划课题等。获中国电子学会的自然科学一等奖（排名1）和青年科学家奖、首届阿里巴巴达摩院"青橙奖"、国际基础科学大会前沿科学奖、ACM KDD China青年科学家奖和多个国际一流学术会议/竞赛的最佳论文与冠军等奖励，入选"2022年度高校计算机专业优秀教师奖励计划"；担任中国科技期刊卓越行动计划领军期刊《Frontiers of Computer Science》的执行编委、大数据领域CCF-A类期刊《IEEE TKDE》与《PVLDB》的编委、大数据领域重要国际会议DASFAA 2024会议的程序委员会主席(PC Chair)。

报告题目：联邦智能计算：从大数据到大模型

报告摘要：在互联网公域数据的支撑下，GPT、DeepSeek等大模型快速发展。然而，如何激活全球大数据中占比90%以上的私域大数据不仅是国际人工智能领域的前沿热点，更是服务于国家数字经济战略的核心挑战。秉持"原始数据不出域、数据可用不可见"的理念，构建可发挥跨域大数据价值的"联邦大模型"，为破解数据要素流动与隐私保护之间矛盾提供了一种全新思路，是进一步突破智能大模型时代数据瓶颈的关键技术。本报告首先从联邦数据库、联邦数据挖掘、联邦学习到联邦大模型技术分阶段回顾联邦计算的发展历程；然后，聚焦于联邦计算从大数据到大模型时代的范式转变，汇报面向大模型的联邦RAG和联邦向量数据检索等关键技术；随后介绍本团队结合产业应用需求所研发的联邦智能计算开源平台——"虎符(OpenHufu)"；最后，报告将剖析虎符系统在交通出行与社会治理等行业的应用示范，并对未来发展进行展望。

专题论坛：人工智能与艺术创作（AIART）

论坛简介

多模态大模型、多模态智能体与具身智能的迅猛发展，正在以前所未有的深度重塑艺术创作与理解的全过程。从生成式人工智能与艺术内容创作，到人机协同的历史文化溯源；从交互范式的智能变革，到图像增强中主观与客观价值的人机双元驱动；从共情数字人的多模态生成，到沉浸式3D音视频技术与文化的融合——人工智能已不再仅仅是效率工具，更成为激发创作共情、重塑审美体验、推动人机共生共创的核心力量。然而，真正的革命不仅在于技术生成的内容，更在于我们如何从哲学、文化与情感层面理解并引领这一变革。探索智能艺术的理论根基、计算方法与审美实践，提升AI艺术作品的情感价值与人文温度，始终是AIART论坛的核心使命。在连续三届成功举办的基础上，本届AIART论坛将聚焦"人机共生共创共情"，特邀文化与科技融合领域的资深专家与青年学者带来深刻思辨与前沿实践分享，并与广大AIART爱好者展开自由对话，共同推动智能艺术领域的繁荣发展。

论坛召集人

牟伦田

北京工业大学

北京工业大学人工智能学院、北京人工智能研究院副教授，博士生导师。中国科学院大学博士、北京大学博士后、加州大学欧文分校访问学者。主要研究方向为人工智能、机器学习、多媒体计算、情感计算、智能艺术、类脑计算。研究成果发表于TAFFC、TMM等领域顶刊。出版智能艺术领域国际首本技术专著。主持国家自然科学基金面上项目2项、参与国家项目十余项。为北京大学成功研发中华美学基因库洛神赋智能创作器2.0，并获腾讯探元计划资助：云居智友——共生共创共情的云居寺多模态智能体。荣获中国公路学会技术发明一等奖、北京市科技进步二等奖、AVS十五周年个人突出贡献奖、IEEE标准制定突出贡献奖等。以第一起草人获颁国际标准3项、国家标准4项。CCF多媒体专委会执行委员；CSIG多媒体/类脑视觉/情感计算专委委员；CAAI艺术与人工智能专委委员；北京美术家协会实验艺术与科技艺术委员会委员；全国信息技术标准化技术委员会多媒体分委会委员；AVS系统组联合组长；MPEG中国代表团专家；CCF/CSIG/IEEE高级会员，ACM会员。知名国际期刊MIR客座编辑、TAI副编辑。IEEE人工智能与艺术创作国际研讨会(AIART)创始主席。

高峰

北京大学

2007年获得英国伦敦大学学院（UCL）计算机科学学士学位。2018年获得北京大学计算机科学博士学位。清华大学未来实验室博士后出站。现为北京大学艺术学院研究员、创意实验室主任。主要研究领域为科技与艺术交叉学科，探索人类未来生活中人工智能技术在元宇宙、教育、艺术、健康等领域的应用。多篇论文发表于国际顶级多媒体会议ACM Multimedia、IEEE汇刊、国内核心期刊《计算机学报》等，相关研究成果已成功应用于中国美术家协会、雅昌集团等单位。

程皓楠

中国传媒大学

中国传媒大学媒体融合与传播国家重点实验室研究员，从天津大学分别于2016、2021年获工学学士、博士学位。主要研究方向为有声文化计算、视听多模态生成与鉴伪。主持国家自然科学基金青年项目、国家重点研发计划子课题、北京市自然科学基金面上项目等10余项。在ACM/IEEE汇刊、CCF A类等期刊或会议发表论文60余篇，获国内外最佳论文奖2项。担任CAAI智能传媒专委会副秘书长、《信息传播研究》青年编委、CSIG多媒体专委会委员。为我国首位被亚广联ABU授予"青年工程师奖"的技术专家，获北京市国家治理青年人才培养计划和北京市科协青年人才托举工程支持。

论坛讲者

马思伟

北京大学

嘉宾简介：

马思伟，北京大学博雅特聘教授，北京大学计算机学院党委副书记，视频与视觉技术国家工程研究中心副主任，IEEE Fellow，国家杰出青年科学基金获得者。主要从事高效视频编码技术与标准研制、沉浸式媒体处理与压缩、多媒体信号处理与系统等研究，已在视频编码领域国际权威期刊和会议上发表论文300余篇，谷歌学术引用超17000次，获授权发明专利50余项。曾获国家技术发明奖一等奖、国家技术发明奖二等奖、国家科学技术进步奖二等奖、腾讯科学探索奖、IEEE 1857国际标准贡献奖等多项奖励。目前担任国家重点研发项目"沉浸式媒体技术在文旅场景的集成创新与应用"首席科学家，持续探索沉浸式媒体技术在文旅场景中的集成创新与应用。近年来，他将研究方向拓展至沉浸式文旅与智能艺术的交叉领域，致力于探索计算美学、计算艺术学等新兴方向，推动技术与艺术在文化场景中的深度融合。

报告题目：生成式人工智能与艺术内容创作

报告摘要：AI正在从单一模态创作走向全链路、沉浸式、可交互的艺术新生态，将艺术与科技从"工具辅助"推向"智能共生"，技术与艺术共同定义新的审美、媒介与体验，重构创作、体验与产业逻辑。算法成为创作伙伴，人机共创拓展审美边界，技术赋能文化传承与大众参与。本报告简要介绍团队在生成式AI方面的工作进展及艺术内容创作的几点体会。

袁晓如

北京大学

嘉宾简介：

袁晓如，北京大学智能学院研究员，博士生导师，北京大学博雅特聘教授，大数据分析与应用国家工程实验室常务副主任。研究兴趣主要为数据可视化与可视分析，致力于可视化与可视分析通用基础方法与领域应用系统的研究，包括复杂流场数据可视化，高维／时空数据，交通、社会媒体数据的分析，可视化的快速构建方法，以及与历史人文领域交叉合作。高动态范围可视化的工作获得2005年IEEE VIS大会最佳应用论文奖。2013年来指导实验室团队10余次在IEEE VAST可视化分析挑战赛中获奖。2018年获日本大川助成奖。数十次担任IEEE VIS, EuroVis, IEEE PacificVis等国际可视化会议程序委员会委员，2017/21年IEEE VIS大会论文主席。ChinaVis，IEEE VIS，PacificVis指导委员会委员。中国图象图形学学会可视化与可视分析专业委员会名誉主任。

报告题目：人机协同的历史文化溯源计算

报告摘要：本报告旨在探讨人文研究与智能计算深度融合的核心路径，聚焦于如何人机协同系统性地构建面向人文问题的基础数据集，并设计与之相匹配的算法模型。通过古籍图表插图数据集构建、中国书法风格时空演变分析、彩陶纹饰谱系演化研究等典型案例，展示从非结构化文化数据中提取深层特征与关联关系的关键技术。我们强调可视化的核心作用。它不仅作为分析结果的最终呈现方式，更是驱动研究问题发现、验证算法有效性，并构建人机协作解释性闭环的工具。此外，报告还将介绍在这一研究框架下，与设计院校合作开展的暑期学校实践，探索通过多学科融合推进历史文化溯源计算的具体路径。

张克俊

浙江大学

嘉宾简介：

张克俊，浙江大学人工智能学院教授，国际设计研究院副院长，"设计+X"创新创业教育改革虚拟教研室（教育部试点）主任。主要研究方向为人工智能与交互设计、情感计算与艺术设计。主持国家自然科学基金等项目十余项，担任IEEE TAFFC顶级期刊副编辑，发表论文近百篇。指导学生获互联网+、挑战杯国赛金奖或特等奖9项；获2021年世界人工智能大会SAIL奖、2022年教育部高等学校科学研究优秀成果奖二等奖等；主持国家级一流课程2门，获世界慕课与在线教育联盟奖、全国高校教师教学创新大赛一等奖及宝钢优秀教师奖。

报告题目：智能时代下的交互范式变革

报告摘要：从以人为本到人机共生、从界面中心到无界融合、从确定性到生成性已成为当前智能交互的重要特征，本报告将从视觉艺术、听觉艺术等多个视角，结合音乐、篆刻等科艺融合实践，探究从智能交互到交互智能的范式变革。

金枝

中山大学

嘉宾简介：

金枝，中山大学教授，博士生导师，广东省珠江青年学者，深圳市高层次人才B类人才，中山大学"逸仙学者"，IEEE Senior Member，中国图象图形学学会CSIG交通视频专委会副秘书长、青工委副秘书长、多媒体专委会委员、视觉大数据委员，主要从事恶劣环境视觉感知增强、空间智能感知等方面的研究和应用。2016年博士毕业于英国利物浦大学，博士后分别在深圳大学和德国慕尼黑工业大学进行。在图像处理及计算机视觉领域顶级期刊及会议发表论文93篇。作为第一发明人已授权国家发明专利16项，已授权软件著作权10项。主持国家自然科学基金面上、青年、中德国际合作、中英国际合作等各类项目15项，其中国家级科研项目5项、省部级项目2项、国防军工类项目1项。获全国第七届青年教师教学大赛二等奖、广东省第六届高校(本科)青年教师教学大赛总决赛一等奖；作为课程负责人完成建设第三批国家级一流本科课程(线下) ；以第一完成人身份荣获广东省本科教育教学成果奖二等奖。荣获南粤优秀教师荣誉称号。主持教育部、广东省、中山大学教改项目10项，撰写教材1本。

报告题目：人机双元驱动：重塑图像增强的主观与客观价值

报告摘要：传统的图像质量增强往往以人类视觉美感为基础，旨在优化视觉观感；然而，随着目标检测、识别等机器视觉任务的广泛应用，以及人机协同作业的深度普及，单一维度的增强已难以满足多机、多任务的复杂场景需求。因此，需要图像质量增强算法兼顾人类视觉美学与机器视觉性能。本次报告将重点分享课题组近年来在感知一致性建模、跨模态引导增强及人机闭环反馈等方向的探索成果。

宋利

上海交通大学

嘉宾简介：

宋利, 上海交通大学集成电路(信息与电子工程)学院研究员/教授，博士生导师, 上海交通大学图像通信与网络工程研究所副所长，视频用户体验联盟副秘书长及标准组组长。研究方向是多媒体生成、处理与通信。主持国家级科研项目 10 余项，编著教材或专著3本、发表学术论文 300 余篇，授权发明专利 50 余项，国际标准贡献 10 余项，软件著作权 5 项。获国家科技进步二等奖(2015)、 上海市科技进步一等奖(2011)、上海市技术发明一等奖(2011)、上海产学研合作优秀项目奖(2024)、日本大川基金研究奖 (2013)、国际会议优秀论文奖(VCIP2024, BMSB2024, ISCAS2022, VCIP2016, WCSP2010)、国际竞赛奖(ICME 2017, 2020)、 腾讯云最具价值专家 TVP、声网最具价值专家 MVP。担任 IEEE Trans on Broadcasting 副主编(2024.1-至今), Springer Multidimensional Systems and Signal Processing 编 委(2014.1-2020.12)、APSIPA Trans. on Information and Signal Processing 编委 (2022.1-至今)，是 IEEE 高级会员、世界超高清产业联盟、MPEG China、中国智慧家庭产业联盟、中国视谷、科创中国未来网络、上海市图形图像学会、上海市超高清产业联盟、上海市信息家电协会等的技术顾问或咨询专家，创建知名技术公众号"媒矿工厂"。

报告题目：从情感认知到具身表达：共情数字人的多模态生成与交互

报告摘要：共情智能是推动数字人由"可视化呈现"迈向"自然化交互"的关键方向，也是实现人机共生、共创与共情的重要基础。面向复杂真实场景，数字人不仅需要具备语言理解与生成能力，还需在情绪感知、人格建模、多模态表达与具身交互之间形成一致、连贯且可控的技术框架。本报告围绕数字人的情感智能与自然交互，按照"情感认知建模—多模态协同表达—具身自然交互"的整体技术框架，为共情数字人的研究与发展提供一些思考。

叶龙

中国传媒大学

嘉宾简介：

叶龙，教授、博士生导师，中国传媒大学数据科学与智能媒体学院院长。兼任媒体融合与传播国家重点实验室研究员、教育部媒介音视频重点实验室（中国传媒大学）副主任。主要研究方向为智能媒体分析与计算。先后主持或共同主持国家重点研发计划项目1项、国家自然科学基金重点项目2项、面上项目3项、青年科学基金项1项，以及国家科技支撑计划项目1项。在包括IEEE Transactions及CCF A类会议在内的国内外高水平期刊和会议上发表论文100余篇，申请国内外发明专利20余项。曾获北京市科技进步二等奖、中国电影电视技术学会青年科技奖、IFTC最佳论文奖、PCM最佳论文提名奖等多项荣誉。

报告题目：沉浸式3D音视频技术与文化的融合

报告摘要：随着多媒体视听技术与艺术的快速发展，沉浸式3D音视频技术已成为文化创新与传承的重要驱动力。本报告聚焦沉浸式3D音视频技术与文化的融合，探讨如何利用这些先进技术有效修复文物、传承非物质文化遗产以及创新文化传播方式。同时，报告还将分析融合过程中的技术瓶颈与优化策略，旨在为推动技术赋能文化传承的创新发展提供理论与实践参考。

专题论坛：类人智能体与社会仿真

论坛简介

当前，社会系统的复杂性日益凸显，传统社会科学研究受限于观测数据局限、实验伦理约束等，难以精准揭示社会现象的内在规律与因果关系，而类人智能体技术的迭代与社会仿真工具的升级，为破解这一难题提供了新路径。类人智能体可模拟人类复杂行为与心智，社会仿真能构建虚拟社会场景，二者结合可通过自然科学的定量分析、实验模拟等方法，为社会科学研究提供可重复、可干预的虚拟实验室。本论坛聚焦"用自然科学方法解决社会科学问题"核心思想，旨在搭建跨学科对话桥梁，梳理类人智能体与社会仿真领域的研究成果与应用瓶颈，探讨自然科学方法与社会科学研究的融合路径。挖掘技术应用场景，包括将类人智能体与社会仿真技术应用于政策模拟、舆论传播、社会治理等领域，推动自然科学与社会科学的深度融合，助力相关领域理论创新与实践落地。

论坛召集人

翟广涛

上海交通大学

翟广涛，上海交通大学集成电路学院特聘教授。IEEE Fellow，国家杰青，Clarivate高被引学者，多年从事多媒体智能相关研究，获IEEE TMM和TBC期刊最佳论文奖等国际奖励30余项。以第一完成人获得中国电子学会自然科学一等奖、技术发明一等奖及中国图象图形学学会技术发明一等奖等，主持国家自然科学基金重点、国家重点研发计划、国家科技重大专项等项目。任Elsevier Displays和IEEE OJID期刊主编、上海市图像图形学学会理事长。

叶龙

中国传媒大学

叶龙，中国传媒大学数据科学与智能媒体学院院长、教授、博士生导师。媒体融合与传播国家重点实验室研究员，媒介音视频教育部重点实验室（中国传媒大学）副主任，中国人工智能学会智能传媒专业委员会秘书长，中国网络视听协会人工智能工作委员会副理事长，中国中文信息学会开源情报技术专委会委员，北京市青年人才计划入选者。主要研究领域为智能媒体分析与计算。主持或合作主持国家重点研发计划课题1项、国家自然科学基金重点项目2项、面上项目3项、青年项目1项，科技支撑计划1项。在IEEE汇刊、CCF A类等期刊或会议上发表论文100余篇，申请国内外发明专利20余项。获北京市科技奖技术发明二等奖、中国电影电视技术学会青年科技奖等。

程皓楠

中国传媒大学

程皓楠，中国传媒大学媒体融合与传播国家重点实验室研究员，主要研究方向为有声文化计算、音频生成与鉴伪。我国首位亚广联青年工程师奖的获得者，获北京市国家治理青年人才培养计划和北京市科协青年人才托举工程支持。主持国家自然科学基金青年项目、国家重点研发计划子课题、北京市自然科学基金面上项目等10余项。在IEEE汇刊、CCF A类等期刊会议发表论文60余篇，获国内外最佳论文奖2项。担任CAAI智能传媒专委会副秘书长、CSIG多媒体专委会委员。

论坛讲者

陶建华

清华大学

嘉宾简介：

陶建华，清华大学自动化系教授，国家级高层次人才。研究方向为人机交互、情感计算、模式识别、大数据分析等。负责国家"863计划"、自然科学基金、国家重点研发计划等项目20余项，在多个国内外主要学术期刊和会议上发表论文300余篇。曾获2023吴文俊人工智能技术发明奖特等奖、CIE技术发明一等奖、技术进步一等奖。担任多个国际期刊主编及客座编委，担任多次国内外重要学术会议的程序委员会主席或委员。

报告题目：异构模型集成与多智能体协调

报告摘要：报告将介绍以大小模型协同的异构大模型集群计算技术，包括：模型集群计算的任务协同技术、多智能体协作技术、模型集群的自适应蒸馏与场景适应技术等。并通过构建"数据车间+模型工厂+调度中心"三位一体的智能中台，实现基于异构模型的多智能体协同计算。报告还将该技术在政务服务、应急管理等场景的典型应用案例。

王亦洲

北京大学

嘉宾简介：

王亦洲 博士，北京大学博雅特聘教授，博士生导师，国家杰出青年科学基金获得者。现任北京大学前沿计算研究中心副主任。主要研究领域为计算机视觉/人工智能、统计建模与计算、认知计算。

报告题目：具身模式识别"形态-感知-行动"的内化联合表征学习

报告摘要：具身模式识别是模式识别与具身智能融合新范式，以"形态-感知-行动"闭环内化表征学习为核心，让智能体通过身体、感知与环境的动态交互实现主动认知。研究突破多模态融合、因果发现、自适应交互等关键技术，显著提升识别与执行效率，面向开放环境与小样本场景持续攻关，推动智能向元认知、群体具身演进，助力AI从工具理性走向生态理性，为通用人工智能开辟全新路径。

覃京燕

北京科技大学

嘉宾简介：

覃京燕，北京科技大学教授、博士生导师，人工智能学院副院长，科技美育中心主任，数字人文微专业负责人，教育部长江学者特聘教授，首届北京市青年教学名师。全国高校美育教指委委员，中国美协数字艺术艺委会委员，教育部中欧人文艺术教育联盟委员。

报告题目：具身社会智能——允执厥中平衡生息之道

报告摘要：本报告将论述具身社会智能所面临的核心困境及其解决之道。具身社会智能的研究重点转换，深入发展面临系列深刻的矛盾与张力，报告借鉴中国哲学传统中的"允执厥中"思想，为上述矛盾提供一种东方智慧的设计原则，将发展重点从追求单一维度的"最优解"转向协调多重约束的"平衡态"，为具身社会智能的伦理设计提供东方智慧的独特视角，探索具身社会智能体如何在多重约束之间找到动态平衡，提出绿色AI可持续设计方法，并达成联合国与报告提出的新的可持续发展目标。

谢洪涛

中国科学技术大学

嘉宾简介：

谢洪涛，中国科学技术大学教授、博士生导师，国家杰出青年科学基金获得者。主要研究方向包括人工智能和多媒体内容安全等，以第一或通讯作者在国际一流期刊和会议上发表学术论文100余篇，担任ACM TOMM等四个国际著名期刊编委。主持科研项目10余项，含国家重点研发计划重点专项项目1项、国家自然科学基金联合重点项目2项。获2023年度国家技术发明奖二等奖、2019年度国家自然科学奖二等奖、2022年度中国图象图形学学会青年科学家奖等奖励。

报告题目：多模态大模型中的视觉语义表征研究：高效感知、区域定位与深度推理

报告摘要：随着多模态大模型深入处理高分辨率图像与长视频等复杂任务，精准高效的视觉语义表征成为MLLM核心。海量的视觉信息不仅导致算力过载，还会淹没局部区域细节，引发推理幻觉。本报告系统探讨多层面的视觉语义表征研究：在高效感知方面，引入指令引导的压缩机制，实现视觉特征的去冗余与算力减负；在区域定位方面，探讨视频时空定位与文档区域检索，实现文本意图与细粒度视觉的精准对齐；在深度推理方面，构建交替感知与推理的循环机制，克服复杂场景下的模型幻觉；最后，结合全新构建的多维视觉标注评测基准，对视觉理解能力进行闭环验证。本报告旨在为构建计算高效、细节精准且逻辑可靠的视觉基座模型提供系统性参考。

张三义

中国传媒大学

嘉宾简介：

张三义，中国传媒大学数据科学与智能媒体学院副教授，主要研究方向为计算机视觉、人像智能感知、虚拟数字人。主持国家自然科学基金面上项目、青年项目（C类）、博士后面上基金、重点研发子课题等。在IEEE TIP、T-CSVT、CVPR等期刊和会议上发表论文20余篇，其中一作和通作发表CCF-A/IEEE Trans.论文6篇，曾荣获北京图象图形学学会BSIG2022年优秀博士论文提名奖等。担任CCF多媒体技术专业委员会执行委员。

报告题目：基于众商计算的类人智能体仿真与推演

报告摘要：智能体正在从"能力体"走向"角色体"，再进一步进入"社会体"：它不再只是会回答、会推理、会调用工具，而是要在具体角色、目标约束和社会关系中行动。面对舆情治理这类复杂的开放问题，单体模型很难处理证据冲突、利益差异、情绪传播和反馈延迟，因此需要构建多智能体协同研判与仿真推演系统。众商 WeQ 的价值，不是简单增加 Agent 数量，而是通过独立判断、证据校验、冲突显性化和动态加权，让不同主体在协商中发现彼此的盲区，形成更可解释、可追溯、可复盘的群体判断。未来智能竞争不只是模型参数竞争，更是群体组织机制的竞争；真正的智能，也不仅在模型内部，更存在于主体之间的关系结构中。

专题论坛：多模态统一编码表征学习

论坛简介

随着大模型与生成式人工智能的快速发展，智能系统处理的信息已从单一文本或视觉模态扩展到文本、图像、视频、时空信号等多源异构数据。多模态统一表征学习作为推动人工智能从感知智能迈向综合理解、认知、推理与生成的关键基础方向，正面临跨模态语义对齐、统一表征空间构建、协同建模与知识融合等核心挑战。该方向对于提升多模态大模型的理解、泛化与应用能力，以及支撑世界模型的构建与演化具有重要意义，并在具身智能、数字内容生产、人机交互等领域展现出广阔前景。与此同时，当前研究在统一编码机制、训练效率、模型鲁棒性等方面仍存在诸多难点。为此，本论坛拟邀请领域专家学者，围绕多模态统一表征学习的最新进展、关键技术与发展趋势，以及其与世界模型的深度融合开展深入交流与研讨，凝练重点研究方向，推动多模态智能技术的持续发展与落地应用。

论坛召集人

李冠彬

中山大学

李冠彬，中山大学计算机学院教授，博导，国家优青获得者。研究领域为图像视频内容理解与生成。发表CCF-A类/中科院一区论文200余篇，谷歌学术引用21000余次，入选全球前0.05%科学家榜单。曾获CSIG青年科学家奖、吴文俊人工智能优秀青年奖、ACM 中国新星提名奖、CSIG科学技术一等奖、ICCV2019最佳论文提名奖、CVPR2024最佳论文候选、ICMR2021最佳海报论文奖。主持国家自然科学基金优青、面上、青年、广东省杰青、CCF-腾讯犀牛鸟科研基金、CCF-快手科研基金、华为科研合作基金、美团北斗科研合作基金等。担任广东省大数据分析与处理重点实验室副主任、广东省图象图形学会计算机视觉专委会主任、中国图象图形学学会青工委副秘书长、中国计算机学会青年科技论坛广州主席、广州计算机学会副秘书长。担任CVPR、ECCV、AAAI等领域主席或高级程序委员，获得8项国际顶级会议竞赛冠军。

邓维建

清华大学深圳国际研究生院

邓维建，清华大学深圳国际研究生院助理教授、博士生导师，国家青年人才项目获得者。博士毕业于澳大利亚国立大学。长期从事多模态模型泛化与可靠性评估、图像生成以及三维视觉建模等方向研究。迄今在TPAMI、CVPR、ICCV、NeurIPS、ICML等国际顶级期刊和会议发表论文30余篇。曾获ACM MM 2024 杰出领域主席等奖励，并五次获得国际顶级会议杰出审稿人荣誉。入选德国DAAD国际青年学者项目，担任TMLR编委。研究工作获澳大利亚政府研究计划（AGRTP）及Google PaliGemma Academic Program等资助。

报告嘉宾

王井东

百度

王井东博士，加拿大工程院外籍院士、国际电气电子工程师学会会士、国际模式识别学会会士、国际计算机协会杰出会员。加入百度之前，从2007年至2021年在微软亚洲研究院担任研究员。目前研究领域包括世界模型、多模态理解和生成以及扩散模型等。以前的研究领域主要为：计算机视觉、深度学习和多媒体搜索，代表工作包括：第一个统一的视觉识别网络 - 高分辨率网络HRNet、第一个基于Transformer query的图像语义分割网络OCRNet和第一个基于近邻图的实用的大规模向量搜索算法SPTAG。王井东博士担任ICCV 2025程序委员会主席，担任或曾担任IEEE TPAMI、IJCV、ACM TOMM、IEEE TMM和IEEE TCSVT编委，担任或曾担任视觉、机器学习、多媒体等人工智能方向顶会的（资深）领域主席。

报告题目：Towards World Modeling: Representation Learning and Generation

报告摘要：世界模型通常需要表达世界并且预测未来。主流的方案包含表征学习和生成等子任务。本报告讲述其中底层算法在表征学习和生成方面的工作。在表征学习方面，简单回顾自监督表征学习方法Context Autoencoder （IJCV），其核心思想是在表征空间完成任务，与Yann LuCun 的关于世界模型的工作JEPA思想一样，我们发表更早，其中提出的attentive probing方案也被广泛应用。在表征生成方面，主要介绍在flow matching训练方面的工作，包括self-representation alignment（SRA ICLR 2026， SRA 2 CVPR 2026）和MixFlow（CVPR 2026），其中SRA工作被Black Forest Labs（Flux）推广并应用到大规模多模态生成中。

叶齐祥

中国科学院大学

叶齐祥，中国科学院大学教授、中科院卢嘉锡青年人才奖获得者、中国科学院优秀博士生导师，曾任CVPR、ICCV、NeurIPS、ICLR等会议领域主席、；两本国际期刊编委。进行视觉表征模型、成像与目标感知方向的研究，在CVPR, ICCV, NeurIPS等国际会议与TPAMI, TNNLS, TIP等期刊发表论文150余篇，学术引用28000余次。承担了国家自然科学基金重点项目、原创探索、杰出青年基金项目、华为公司、国防科技创新特区项目、中国运载火箭技术研究院课题等国家级与企业科研任务，是国家自然科学基金创新团队、中国科学院稳定支持基础研究领域青年团队成员。获中国电子学会自然科学一等奖（排名1）、国家技术发明二等奖（排名2），指导博士生获中科院百篇优秀博士论文、中国人工智能学会博士生激励计划。

报告题目：迈向物理世界的表征

报告摘要：视觉表征是从计算机离散空间迈向物理世界的工具桥梁。报告先后先介绍课题组在近5年来提出的Conformer、HiViT、iTPN等视觉表征模型，进而，介绍了物理启发的热传导表征模型vheat与状态空间表征模型vMamba。在此基础上，探讨如何将更普片的物理规律嵌入视觉表征模型，并且通过特殊的Tokenizer设计，形成对于连续物理世界的有效编码表达。

黄高

清华大学

黄高，清华大学长聘副教授，博导。研究领域为人工智能基础模型架构及算法，在Nature子刊、IEEE TPAMI、CVPR、NeurIPS等期刊/会议发表论文200余篇，谷歌引用10万余次，代表性工作DenseNet单篇引用6万余次。获教育部、CAAI、CSIG自然科学一等奖、CVPR最佳论文奖、NeurIPS最佳论文亚军；主持国自然优青、联合重点、国家重点研发计划青年科学家项目等。

报告题目：面向长序列建模的神经网络架构

报告摘要：Transformer架构在长文本处理、高清图像与视频理解等长序列建模任务中面临日益突出的挑战。一方面，自注意力机制的计算复杂度随序列长度呈平方增长，导致训练与推理成本高昂、显存开销巨大，制约了模型向更长上下文扩展；另一方面，长序列中的冗余与噪声信息易干扰有效特征提取，易诱发幻觉等问题。针对上述问题，本报告将系统介绍高效线性注意力、测试时训练（Test-Time Training, TTT）、差分注意力等新型长序列建模架构，并进一步探讨现有架构的内在局限与未来可能的发展方向。

杨思蓓

中山大学

杨思蓓，中山大学计算机学院副教授，博士生导师，逸仙学者。分别在香港大学和浙江大学取得博士和学士学位。主要研究方向为跨模态视觉感知、理解、生成与交互，聚焦于多模态统一表征学习。迄今为止在TPAMI、CVPR、ICCV等期刊或会议发表CCF A类/中科院一区论文60余篇，其中以第一作者和通讯作者发表CCF A类论文40余篇，引用3500余次。主持国家自然科学基金面上项目、青年项目，以及浦江人才计划、上海领军人才海外计划、腾讯犀牛鸟专项等科研项目。担任ICCV、ICLR、NeurIPS、ECCV等顶会领域主席，入选全球前2%顶尖科学家榜单。

报告题目：Is Generation the Reverse of Understanding through Representation?

报告摘要：近年来，从统一多模态大模型到世界模型的发展趋势表明，理解、生成乃至决策正在从相互割裂的任务范式，走向统一表征驱动的协同建模。统一表征学习不仅是连接感知、推理与生成的关键桥梁，也正逐渐成为通向世界模型与通用多模态智能的核心基础。本报告将围绕多模态统一表征学习，介绍我们一系列最新研究进展，重点探讨统一表征空间的三个核心要素，以及其如何支撑视觉理解与生成的统一建模。进一步地，报告将讨论未来多模态智能系统如何从静态感知迈向动态认知与自主交互。

魏朋旭

中山大学

魏朋旭，中山大学计算机学院副教授，博士毕业于中国科学院大学。主持国自然面上/青年项目、军委科技委项目，是国家重点研发项目子课题负责人、国自然区域联合重点项目课题负责人。主要研究多模态视觉表征学习、多模态内容生成与鉴伪，迄今发表高水平学术论文50余篇，其中以第一作者/通讯作者发表中科院一区/CCF A类论文30余篇。组织举办ECCV workshop学术竞赛和两次IEEE CASS学术活动，担任NeurIPS领域主席，获2024年度广东省科技进步一等奖。

报告题目：从离散几何到连续自组织：视觉潜表征空间的结构优化学习

报告摘要：多模态统一编码表征学习在图像与视频生成、跨模态对齐等大模型基础任务中面临日益突出的博弈挑战。一方面，离散量化与潜空间编码表征学习过度追求重构的局部精度，易导致潜表征空间出现编码坍塌、流形无序或过度集中，制约了生成多样性与跨域泛化能力；另一方面，传统强全局先验约束缺乏局部灵活性，导致重构保真度与生成质量之间存在天然的调和困境。针对上述问题，本报告将系统介绍离散几何拓扑优化的开普勒编码本、连续自组织学习等潜空间表征学习机制，探讨如何分别在离散和连续表征形态下打破重构与生成的博弈瓶颈。

专题论坛：面向具身智能的数据生成及安全治理技术研究

论坛简介

具身智能作为人工智能与物理世界交互的关键范式，正推动机器人、自动驾驶、虚拟现实等领域的快速发展。然而，具身智能系统的训练与应用高度依赖海量、多样、可控的交互数据，真实数据的获取成本高、场景覆盖有限，且存在隐私泄露、内容滥用等安全风险。如何高效生成符合物理规律、具备语义一致性的具身交互数据，并在数据全生命周期中实现安全治理，已成为当前研究的前沿热点与核心挑战。在此背景下，本论坛旨在汇聚具身智能、数据生成、内容安全等领域的专家学者，共同探讨面向具身智能的数据生成与安全治理技术的最新进展与未来方向。（1）在数据生成方面，多模态大模型、物理仿真与神经渲染等技术为构建高保真、可交互的具身环境提供了新路径，如何提升生成数据的物理合理性、行为多样性及语义可控性，是当前研究的重点；（2）在安全治理方面，具身数据涉及隐私保护、内容防伪、合规使用等问题，亟需建立面向生成数据的安全评估与治理体系，保障具身智能系统的可信部署。论坛将梳理近年来在具身数据生成、仿真环境构建、数据溯源与内容安全等领域的前沿成果，推动具身智能从"数据驱动"向"安全可控"迈进，为智能体在真实世界中的可靠应用提供理论支撑与技术储备。

论坛召集人

陈志波

中国科学技术大学

中国科学技术大学信息科学技术学院教授，博士生导师。目前主要研究领域为：视觉信号的智能编码与处理。曾获2021年度安徽省科技进步一等奖，2018年度国家自然科学二等奖，2017年度教育部自然科学一等奖等，入选国家级领军人才。发表国际期刊会议论文200余篇，授权国际国内专利100余项，多项技术进入国际标准。目前任IEEE视觉信号处理与通信委员会(VSPC_TC)主席，IEEE TCSVT期刊编委, IEEE OJCAS、JETCAS期刊客座编委等。

高宸

清华大学

清华大学信息国家研究中心助理研究员，分别于2016年和2021年在清华大学电子系获学士学位和博士学位。在人工智能相关领域发表CCF-A类论文100余篇，论文引用9000余次。获中国图像图形学学会自然科学一等奖、ACL杰出论文奖等荣誉。担任 ICML、NeurIPS、ICLR、KDD等学术会议的Area Chair（领域主席），连续入选Stanford/Elsevier Top 2% Scientists名单。

报告嘉宾

陈雪锦

中国科学技术大学

嘉宾简介：

陈雪锦，中国科学技术大学信息学院教授，博士生导师。分别于中国科学技术大学获得学士和博士学位。曾于耶鲁大学计算机系从事博士后研究，在斯坦福大学、微软亚洲研究院任访问学者。主要研究方向为计算机图形学、三维视觉、脑显微图像分析。在ACM TOG、TMI、ICCV、ICML等期刊/会议上发表学术论文90余篇，曾获CVM期刊年度最佳论文提名、GDC、3DMM会议最佳论文、ISBI挑战赛第一名等奖励。获国家教学成果二等奖、安徽省教学成果特等奖、CSIG"石青云女科学家奖"。

报告题目：面向空间推理的结构化数据生成

报告摘要：空间推理能力是具身智能区别于大语言模型的核心壁垒，而空间推理模型训练面临着数据稀缺、采集成本高昂、质量参差不齐等挑战。因此，虚实结合的数据生成逐渐成为主流范式。AIGC与空间计算技术的结合能有效加速数据生产，实现低成本、大规模、多样化的场景数据生成。对于空间推理能力而言，结构层次分明、富含探索过程的空间认知训练数据十分重要。本报告将介绍团队近期在结构化的三维场景重建、空间推理多模态数据生成、时空推理模型训练等方面的工作进展。

殷赵霞

华东师范大学

嘉宾简介：

殷赵霞，华东师范大学信息与电子工程学院教授，教育部青年长江学者，从事多媒体与AI安全研究，主持国家自然科学基金青年项目面上项目4项（2016-2028连续资助）、国家重点研发计划子课题（2023-2026）、以及国家实验室启元科技攻关外协项目、国家博士后基金等20余项。发表CVPR、ACL、ACM MM、AAAI、IEEE TDSC、TMM等论文80余篇，以第一发明人获授权国家发明专利13项、软件著作权10余项，成果应用于国家工信部网络安全技术应用试点示范单位合肥高维数据、江苏水印科技等高新企业。

于灵云

中国科学技术大学

嘉宾简介：

于灵云，中国科学技术大学副研究员、硕士生导师，从事多媒体内容生成与安全技术研究，在CVPR、ICCV、TIFS、TKDE和TASLP等国际顶级期刊和会议上累计发表论文40余篇。主持国自然面上项目、国自然青基、重点研发计划-子课题等纵向项目，获多媒体国际顶级会议ACM Multimedia挑战大赛第一名，和国家广电总局第二届广播电视和网络视听人工智能应用创新大赛（深度伪造鉴别技术应用类）优秀奖等荣誉。担任中国计算机学会/图象图形学学会高级会员，担任国际著名学术期刊会议TIP、TIFS、TMM、 TCSVT、 TASLP、 CVPR、 ACMMM、ICCV等审稿人。

报告题目：视觉生成式人工智能安全

报告摘要：伴随生成式人工智能技术的能力增强，其在安全性、可信性、可控性等方面正面临前所未有的挑战。本报告从数据安全、内容安全、模型安全三个角度系统探究相关视觉生成式人工智能安全技术，有效治理生成式模型所带来的安全隐患，确保视觉生成式模型的隐私性、可控性、真假性和合规性。首先，探究细粒度域间方向引导的主动干扰和可自验证的语义水印嵌入技术，提高干扰可解释性和取证高泛化性，实现数据保护。其次，研究通用人脸伪造检测、特定人伪造检测以及AIGC内容检测，全方位挖掘伪造痕迹，提高内容检测精度。然后，探究双层优化的概念擦除和人在回路的模型价值观对齐，实现有害概念精准擦除和价值观对齐，实现模型安全。最后，本报告对进一步工作进行分享和展望，为网络信息安全提供新的思路。

金鑫

宁波东方理工大学

嘉宾简介：

金鑫，宁波东方理工大学助理教授，浙江省青年拔尖人才，研究涵盖智能媒体及视觉计算前沿，在TPAMI、CVPR、ICCV、ECCV、NeurIPS等期刊会议发表高水平论文40余篇，谷歌引用8000余次，多项成果被应用在微软、阿里巴巴、吉利汽车等产品中带来经济价值。曾获中国科学院院长特别奖、ACM SIGAI优博、IEEE电路与系统学会第二届视觉信号处理与通信新星奖，斯坦福全球前2%顶尖科学家24&25榜单。IEEE VSPC委员、首届CAAI具身智能专委会委员、VALSE执委、CSIG青工委&多媒体专委会委员，在CVPR24、ICCV25、NeurIPS25、ECCV24等国际顶级计算机视觉及人工智能会议多次组织AI表征学习、具身智能与生成技术相关的Tutorial和Workshop。

报告题目：世界模型技术在具身数据生成领域的应用与思考

报告摘要：世界模型技术正成为连接数字世界与物理世界的核心技术范式，其价值在于赋予智能体空间理解、推理与交互的能力，使机器真正"走进"物理世界。本报告将系统梳理世界模型从3D感知、世界模型构建到具身数据生成的完整技术链路，并重点介绍团队在该领域的代表性工作：面向自动驾驶与机器人场景的UniScene统一生成框架；将世界模型引入VLA架构的DreamVLA模型，通过"世界嵌入"增强长程推理与动作预测能力；InterVLA&SceneScribe-1M等基准数据集，填补第一人称视角下具身交互数据及空间几何视频场景数据的空白。报告将结合自驾具体案例，讨论展望了未来世界模型及具身数据生成技术的发展前景。

专题论坛：面向具身的视频感知

论坛简介

随着具身智能的发展，智能体需要在开放环境中实现持续感知、环境理解、自主决策与主动行动，而视频作为最丰富的动态信息载体，为智能体学习世界知识、理解交互过程以及构建长期记忆提供了重要基础。近年来，视频理解大模型、视频生成模型以及世界模型技术取得了显著进展，为具身智能的发展带来了新的机遇。然而，从视频感知到世界建模，再到行动规划与导航决策，仍面临长视频理解、交互行为建模、持续记忆学习、实时推理以及复杂场景泛化等诸多挑战。本论坛围绕"面向具身的视频理解与生成"主题，邀请国内相关领域知名学者，共同探讨视频驱动具身智能发展的关键技术与未来趋势，推动视频智能与具身智能领域的交叉融合与创新发展。

论坛召集人

严锐

南京理工大学

南京理工大学计算机科学与工程学院教授。先后在新加坡国立大学和南京大学从事研究工作。主要聚焦视频内容理解、多模态大模型预训练、具身智能等领域，目前共发表CCF A类和IEEE/ACM Trans. 论文40余篇，其中多篇论文入选ESI高被引/热点论文。主持国家自然科学基金面上/青年、博后"特别资助"和"面上"等项目10余项。曾获江苏省科学技术奖自然科学一等奖（排4），入选中国图象图形学学会(CSIG)优秀博士论文奖（2024）、江苏省青年科技人才托举工程（2024）、江苏省计算机学会优秀博士论文奖（2024）、南京理工大学优秀博士论文奖（2024）、国家资助博士后计划（2023）、江苏省卓越博士后计划（2023）等荣誉。此外，担任国际会议如CVPR/ICCV/ECCV/NeurIPS等审稿人，国际期刊如IEEE TPAMI、IJCV等审稿人，中国图象图形学学会多媒体（CSIG-MM）专委委员和中国计算机学会计算机视觉（CCF-CV）专委委员。

李泽超

南京理工大学

李泽超，南京理工大学计算机科学与工程学院/人工智能学院/软件学院教授、院长、博导，国家级领军人才。2008年本科毕业于中国科学技术大学，2013年博士毕业于中国科学院自动化研究所。研究兴趣主要是多模态智能分析、计算机视觉等。主持新一代人工智能国家科技重大专项课题、国家自然科学基金联合基金重点项目等，在IEEE TPAMI、IJCV和CCF A类会议发表论文60余篇；获得江苏省科学技术一等奖2项、中国电子学会自然科学一等奖1项等；获得ACM MM Asia 2020和2024两年度最佳论文奖等；担任IEEE TPAMI、TNNLS、TCSVT、TMM等期刊编委。

报告嘉宾

李冠彬

中山大学

李冠彬，中山大学计算机学院副院长，教授，博士生导师，国家优青。主要研究领域为图像视频内容理解与生成。 迄今为止累计发表计算机学会A类/中科院一区论文 200 余篇，谷歌学术引用超过 22000次，入选ScholarGPS全球前0.05%顶尖科学家榜单。曾获得中国图象图形学学会青年科学家奖、吴文俊人工智能优秀青年奖、中国图象图形学学会科学技术一等奖、ICCV2019 最佳论文提名奖、CVPR2024最佳论文候选等荣誉。主持了包括国家自然科学基金优青、面上、重点研发课题、广东省杰青、 CCF-腾讯犀牛鸟科研基金、华为科研合作基金等 20 多项科研项目。担任广东省大数据分析与处理重点实验室副主任、广东省图象图形学会计算机视觉专委会主任等职务。担任人工智能领域顶级会议CVPR、ECCV、AAAI等领域主席，获得10余项人工智能领域国际顶级会议竞赛冠军，研究成果应用于华为智驾系统，OPPO小布助手及智慧医疗诊断等。

报告题目：面向具身智能的流式视频理解

报告摘要：近年来，大模型驱动的视频理解技术取得显著进展，但在真实世界具身场景中，智能体需要持续感知动态环境、理解长时序事件，并基于历史经验完成决策与行动。如何在保证理解能力的同时实现低延迟感知、长程记忆建模与高效推理，成为当前具身智能发展的关键挑战。本次报告将围绕面向具身智能的流式视频理解展开，介绍研究组在面向长视频的多上下文复用推理、层级事件记忆建模、实时检索增强以及视觉语言导航等方向的最新探索。相关工作赋予视觉大模型持续感知、长期记忆与自主决策能力，为构建可扩展、可部署的具身智能系统提供新的思路。

王利民

南京大学

王利民，南京大学计算机学院教授，博士生导师，国家级青年人才计划入选者。研究领域为计算机视觉和多模态大模型，在IJCV、T-PAMI、CVPR、ICCV、NeurIPS等期刊和会议发表论文100余篇，谷歌学术引用4.9万余次，两篇一作论文引用超过4000次。主持科技创新2030-"新一代人工智能"重大项目、江苏省自然科学基金攀登项目等。带领团队研发了首个通用视频理解大模型体系InternVideo，全球用户下载量超过600万，被Google、Meta、NVIDIA等知名企业使用，产生了重要国际影响力。曾获得广东省技术发明一等奖，蚂蚁InTech科技奖，ACM MM 2023唯一最佳论文提名奖、首届世界人工智能大会青年优秀论文奖。担任CVPR/ICCV/NeurIPS等会议的领域主席和TPAMI/IJCV等期刊的编委。

报告题目：InternVideo：通用视频理解大模型体系

报告摘要：视频理解已经成为人工智能领域现阶段核心难题，面临着数据维度高、信息容量大、场景变化多等诸多技术挑战，如何构建通用视频理解大模型已经成为一项极具挑战的任务。本报告将介绍通用书生视频大模型体系InternVideo的发展历程：2022年发布首个通用视频理解基础模型InternVideo1.0；2024年发布多模态视频理解大模型InternVideo2.0；2025年发布全新升级版本InternVideo2.5。除此之外，还将介绍InternVideo视频理解大模型最新研究进展：1. 多任务视频理解模型强化学习框架VideoChat-R1 & TempR1；2. 长视频压缩架构VideoChat-Flash；3. 长视频多轮感知与推理框架Video-o3；4. 流式视频处理与分析架构VideoChat-Online & StreamForest。最后将展望视频理解大模型技术发展趋势。

吴庆耀

华南理工大学

吴庆耀，华南理工大学软件学院教授、博士生导师，入选国家万人计划青年拔尖人才；现担任大数据与智能机器人教育部重点实验室副主任，广州市机器人软件及复杂信息处理重点实验室主任，Service Oriented Computing and Applications与Software Impacts期刊副主编，IEEE电子商务工程国际会议 2021年大会主席与2022年及2023年程序主席，连续多年入选美国斯坦福大学发布的全球前2%顶尖科学家榜单；主持了国家自然基金面上、广东省新一代人工智能重点研发、广东省联合基金重点项目、广东省特支计划等10多项科研项目。主要研究方向为计算机视觉与具身智能，迄今为止发表CCF A类/中科院一区论文近百篇。获2025教育部自然科学奖二等奖、2018年度广东省自然科学奖二等奖、2016年度深圳市自然科学奖二等奖。

报告题目：手物交互视频生成及世界模型

报告摘要：手物交互是具身智能从视觉理解走向行动决策的关键。尽管视频生成模型在真实感和时序建模上进步显著，但仅生成外观逼真的视频不足以应对手物接触、三维关系、物体状态变化及物理后果等核心挑战。报告系统梳理手物交互视频生成的研究价值与难点，结合发表于 NeurIPS 2025 Spotlight 的 SViMo 工作，介绍视频与三维运动同步建模的思想及其对世界模型构建的启示。进一步扩展到第一人称视频世界模型与具身智能，梳理从 VLM 到 VLA 再到世界行动模型的范式演进。最后，结合视频世界模型与物理智能的前沿进展，探讨生成模型实现物理合理性、因果推理、可交互仿真及行动规划支持等关键问题。

舒祥波

南京理工大学

舒祥波，南京理工大学计算机科学与工程学院/人工智能学院副院长、教授、博士生导师、社会安全信息感知与系统工信部重点实验室副主任。研究方向为人体行为计算，在TPAMI、CVPR、ICCV、MM、NeurIPS等期刊/会议上发表论文100余篇，其中ESI高被引论文8篇；获中国电子学会自然科学一等奖、ACM MM 2015最佳论文提名、MMM 2016最佳学生论文奖、江苏省优博、中国人工智能学会优博、2024年度江苏自然科学百篇优秀学术成果论文；入选全球前2%顶尖科学家（2021-2025年）；承担国家重点研发课题、国家自然科学基金仪器项目课题、国家自然科学基金优青/面上/青年项目、江苏省杰出青年等项目。担任CSIG青工委副秘书长，以及TNNLS、TCSVT、Pattern Recognition等期刊编委。

报告题目：融合类人思维的具身视觉导航

报告摘要：具身视觉导航要求智能体根据自然语言指令在未知的三维空间中进行自主探索与导航。然而，现有的导航方法大多依赖于被动的视觉感知或单向的简单推理，在面对真实世界中视野受限、复杂环境遮挡以及零样本泛化需求时，往往面临感知不全、规划效率低下以及导航决策失误等问题。本报告将围绕"融合类人思维的具身视觉导航"这一核心主题，深入探讨如何解决导航模型在物理空间应用的局限，赋能具身智能体类似人类的"思考、想象与反思"能力。具体而言，我们将探究如何通过视觉重建模型补全有限视角的感知盲区，如何利用长短期思维链进行多尺度的前瞻性路径规划，以及如何构建基于历史经验的动态反思机制来避免决策出错。本报告致力于推动智能体实现从"看"到"想"、从"单向执行"到"反馈推理"的认知进化，为复杂无约束场景下的具身导航提供全新的范式。

专题论坛：媒体质量评价与感知优化

论坛简介

随着多模态生成技术的迅猛发展，视觉内容生产正由传统以采集为主的方式，迈向生成、理解与优化深度融合的新阶段。图像与视频不仅是信息表达的重要载体，也日益成为智能系统感知、分析与决策的关键输入。在这一过程中，质量评价与优化已不再只是内容生产后的辅助环节，而是逐渐成为贯穿内容生成、处理、呈现与应用全过程的基础能力，直接影响视觉系统的输出质量、用户体验与应用效能。然而，面对真实视觉内容与人工智能生成内容持续涌现、相互交织的发展态势，现有评价与优化方法仍面临诸多新的挑战。一方面，传统基于失真建模的评价方法难以准确刻画复杂生成内容的主观感知质量；另一方面，技术质量与美学质量的统一建模仍显不足，尚难满足智能摄影、计算成像以及多模态生成系统对高质量视觉输出的需求。因此，构建面向人眼感知、兼顾真实内容与生成内容的统一视觉质量评价与优化框架，已成为当前亟待突破的重要基础问题。本论坛围绕"视觉质量评价与优化"这一前沿主题，汇聚相关领域代表性研究力量，从人类视觉感知建模、图像与视频质量评价、计算美学、感知驱动优化以及大模型时代的视觉生成与理解等方向展开研讨。论坛旨在梳理关键技术路径与核心挑战，分析新范式与发展趋势，推动评价与优化一体化方法的发展。通过搭建跨学科交流平台，促进理论与应用融合，凝练前瞻性科学问题，为底层视觉、计算成像、智慧摄影及AIGC等领域提供有力支撑。

论坛召集人

姜求平

宁波大学

姜求平，宁波大学信息学院教授/博士生导师，研究方向为低质视觉信息增强、评价及其应用。近5年，以第一/通讯作者发表TPAMI、IJCV、TIP、TCSVT、TMM、AAAI、ACM MM等中科院一区和CCF A类论文50余篇。所发表论文谷歌学术引用8000余次。授权国家发明专利20余项。主持国家自然科学基金面上、浙江省重点研发计划尖兵项目、浙江省杰出青年基金等项目。以第一完成人获2024年度浙江省自然科学奖一等奖。

张维夏

上海交通大学

张维夏，现任上海交通大学计算机学院副研究员。于2018年获得武汉大学博士学位，2018年至2022年间，在上海交通大学开展博士后研究；2022年至2023年间，在该校担任助理研究员。其当前研究方向包括视觉质量评估、感知优化和计算摄影等。在TPAMI、TIP、CVPR和NeurIPS等国际顶级期刊和会议上发表学术论文多篇，并获国家自然科学基金青年科学基金项目和面上项目资助。

王志华

中山大学

王志华，中山大学网络空间安全学院副教授、博士生导师，国家高层次青年人才，深圳市鹏城特聘岗位C类人才，中山大学"逸仙学者"。王志华长期深耕计算机视觉、多媒体信号处理与多媒体安全等方向，已在IEEE TPAMI、CVPR、ICCV、ECCV等领域顶级期刊与会议发表科研论文40余篇，其中多篇获国际会议口头报告机会。他主持或参与国家级青年人才项目、国家自然科学基金青年项目、省自然科学基金面上项目、深圳市高校稳定支持计划以及华为剑桥研究院资助等多项科研任务。

报告嘉宾

方玉明

江西财经大学

方玉明，江西财经大学党委常委、副校长，IEEE Fellow，长江学者特聘教授，国家基金委优秀青年科学基金获得者，享受国务院政府特殊津贴，2020-2024年爱思唯尔中国高被引学者。担任财经大数据教育部工程研究中心(培育)主任，多媒体智能处理江西省重点实验室主任，(曾)担任IEEE TMM等国内外著名期刊编委，中国计算机学会理事/杰出会员、中国图象图形学学会理事。长期从事人工智能、计算机视觉、多模态信息处理等方面的研究。主持国家自然科学基金重点项目、优青项目和面上项目、科技部重点研发项目和重大项目课题等项目/课题20余项，获江西省自然科学奖一等奖等奖励，在国内外著名期刊上发表学术论文100余篇，谷歌学术引用13000余次，授权国家发明专利数十项。担任国内外著名学术会议的组委会主席多次，并多次受邀作大会主题报告。

报告题目：VR视觉质量体验质量评价

报告摘要：本报告主要介绍VR质量评价的研究现状，近年来课题组在VR质量评价领域的相关工作，包括VR主观质量评价数据库和客观质量评价方法，以及未来的研究展望。

徐迈

北京航空航天大学

徐迈，北京航空航天大学教授、校学术委员会委员、校务委员会委员、电子信息工程学院副院长、入选教育部长江学者特聘教授。研究兴趣为图像处理、人工智能、医学图像处理。在IEEE TPAMI、TMI等权威期刊以及CVPR等重要会议上发表论文百余篇。主持国家自然科学基金原创探索、重点、优青以及北京市杰青等项目。获北京市自然科学一等奖（序1）、教育部技术发明一等奖（序1）、中国人工智能学会自然科学一等奖（序1）、中国科协求是杰出青年奖等荣誉。获高校计算机专业优秀教师奖、北京市研究生优秀导师奖、北京市优秀博士论文指导教师、中国电子学会优秀硕士论文指导教师等荣誉。

报告题目：通往沉浸式媒体体验之路：全景视频智能处理技术

报告摘要：沉浸式媒体业务已经成为未来多媒体业务的主要发展方向。近年来，全景视频逐步普及，成为沉浸式通信主要载体，可提供身临其境体验。全景视频覆盖广、分辨率高，产生数据量爆炸式增长，造成通信带宽供求矛盾日益尖锐；另一方面，人类观看全景视频的视场仅占全景区域1/10，存在大量感知冗余。为突破沉浸式通信带宽受限瓶颈，可从全景视频感知模型出发，开展全景视频感知、质量评价与压缩的研究工作。为此，本报告主要内容包括：（1）基于深度模仿学习的全景视频视觉注意模型；（2）面向用户体验的全景视频感知失真度量方法；（3）带宽受限下全景视频质量增强方法。

李雷达

西安电子科技大学

李雷达，西安电子科技大学教授、博士生导师，国家级青年人才；长期从事视觉质量评价、计算美学等方向的研究，发表中科院一区和CCF A类论文100余篇，谷歌引用9800余次；主持国家自然科学基金5项，与华为、OPPO、腾讯等头部企业开展产学研合作，研究成果应用于智能手机、直播相机等；获OPPO"产学研优秀合作伙伴"奖，陕西省自然科学一等奖、江西省自然科学一等奖等省级奖励5项；担任IEEE Transactions on Image Processing等国际期刊副主编、CSIG情感计算与理解专委会/CAAI智能光学成像专委会常务委员、AAAI/ACM MM/IJCAI等国际会议的领域主席/高级程序委员，IEEE/CCF/CSIG高级会员。

报告题目：细粒度视觉质量评价：让模型更好用

报告摘要：视觉质量评价通过模拟人眼视觉系统的感知特性，对图像的主观感知质量进行客观化评价；作为一项共性技术，在底层视觉、成像优化、智慧摄影、AIGC等诸多领域中有重要的应用。该领域经过20余年的快速发展，已经出现了大量的算法；然而现有方法在真实环境中使用时普遍存在分辨能力不足的问题。针对这一问题，本报告重点探讨细粒度视觉质量评价的主要特点、近年来的主要研究进展，以及在相机画质调试、图像美学推荐等领域的应用。

付莹

北京理工大学

付莹，北京理工大学教授，国家级青年人才。主要从事计算机视觉、计算摄像、图像/视频处理等相关领域研究，近五年以第一/通讯作者在中科院一区期刊和计算机机学会推荐A类会议发表论文50余篇，授权发明专利30余项。获计算机学会推荐A类国际会议ICML杰出论文奖和国际会议PRCV最佳论文奖，主持国家自然科学基金重点项目等国家级项目/课题10余项，获中国图象图形学学会科技进步一等奖、人工智能学会教学成果奖励计划一等奖、电子学会青年科学家奖。

报告题目：RAW域图像去噪与增强

报告摘要：长期以来，计算机视觉领域的主要研究对象为经过图像信号处理器（ISP）处理之后得到的标准RGB图像。尽管这类图像在查看、存储、传播上十分便利，但受限于ISP过程中一系列不可逆的退化操作，如模糊、量化等，这些信息损失使得标准RGB图像在非理想光照条件下的使用受到限制。RAW图像作为传感器直接采集到的未经退化的数据，具有无损、高数据位宽、线性响应等特征，因此近年来被越来越多的研究者采纳，用于更加极端光照环境下的图像质量增强。本报告将关注这类典型的极端光照环境场景，利用RAW数据特有的特征和优势实现图像高质量增强。

闵雄阔

上海交通大学

闵雄阔，上海交通大学副教授，主要研究多媒体信号处理与多模态大模型，主持国家自然科学基金青年B类/面上、国家科技重大专项课题等项目，入选博新计划，获吴文俊人工智能青年科技奖、电子学会优博、上海市/中国图像图形学会/中国电子学会/中国人工智能学会一等奖等国内奖励7项，IEEE广播汇刊最佳论文奖、IEEE多媒体汇刊最佳论文提名奖等国际论文奖8项，及CVPR、ECCV等国际挑战赛冠军10项，在IEEE/ACM汇刊与CCF A类期刊/会议上发表论文150余篇，11篇入选ESI热点/高被引，谷歌学术引用1.4万余次，担任ACM TOMM等期刊编委。

报告题目：生成式内容质量评价研究

报告摘要：近年来，内容生成与多模态大模型技术获得了长足发展，有望重塑多媒体内容的生产和处理方式，也给相应的生成式内容质量评价带来了新的机遇和挑战。本报告将汇报团队在生成式内容评估，包括图像/视频/音视频生成、图像视频编辑、及人像生成等方面的质量评价研究最新进展，并探讨后续发展方向。

专题论坛：微视觉计算

论坛简介

"微弱视觉信号虽然通常难以被人眼察觉，但却包含着微弱而关键的信息，可揭示视觉数据中隐藏的模式。通过先进计算机视觉和表征学习技术，可释放微弱信号潜力，更好地理解和解释复杂的环境。研究检测及分析微弱视觉信号对多个领域有深远影响，例如：(1) 在医学领域，早期识别医学成像中的微小异常可以带来挽救生命的干预措施；(2) 在工业领域，发现生产线中的微小缺陷可以防止代价高昂的故障；(3) 在情感计算领域，理解人机交互场景下的微表情、微姿态和隐藏的生理信号可以有助于欺骗检测。在大数据信息化时代，检测和解码这些"微弱视觉信号"可提供了新颖而强大的方法来预测趋势、识别新威胁和发现新机会。尽管近期在微视觉计算方面取得的进展已显示出巨大潜力，但在有效性、鲁棒性和泛化方面仍然存在一些挑战。具体来说，这些挑战包括：（1）微弱视觉信号的表示有限，（2）泛化能力不足，以及（3）在多任务和多模态场景中的表达能力有限。本论坛旨在探索专门用于捕捉和解释微弱视觉信号的新型表征学习模型，为医疗保健、工业质检和情感计算等领域的决策提供支持。最终，希望本论坛能够展示隐藏的微弱视觉线索如何在正确解码后，为日益复杂和相互关联的世界提供关键洞察和见解。"

论坛召集人

余梓彤

大湾区大学

余梓彤，大湾区大学长聘副教授，国家高层次青年人才，CCF东莞分部秘书长，CSIG生物特征识别专委会副秘书长，GDSIG情感计算专委会主任委员，东莞市智能信息技术重点实验室副主任, 研究方向为微视觉计算。发表Cell子刊、TPAMI等高水平文章50篇，谷歌总引用1万余次，获5项国际学术竞赛冠亚军，授权国家发明专利23项。主持国自然优青（海外）/面上/青年项目、广东省联合重点项目、CCF-腾讯犀牛鸟项目等。获IEEE生物识别理事会新星奖，ACM SIGWEB中国新星奖，IEEE芬兰最佳学生会议论文奖，指导学生获IAPR最佳学生论文奖、CCBR 24最佳论文提名奖、BIC 26最佳论文奖、CSIG英文会刊首个封面文章（创刊至今最高被引荣誉）。担任国际期刊IEEE TIFS、PR、Visual Intelligence编委和Machine Intelligence Research青年编委，曾担任ACM MM 25/26等领域主席。相关成果落地应用于中国疾控中心、广电运通集团等，以第一完成人获广东省图象图形学会科技进步/自然科学一等奖。

邹博超

北京科技大学

邹博超，北京科技大学计算机与通信工程学院副教授，北理工-哈佛大学医学院联合培养博士，北航-中电科联合培养博士后，适人协同智能重点学科与技术研究中心副主任，中国图象图形学学会理事、副秘书长，社会安全风险感知与防控大数据应用国家工程研究中心特聘专家。主要从事视觉认知、情感计算、人机协同方向研究，作为负责人先后承担国自然面上、青年项目、联合基金课题、新一代人工智能重大项目子课题，参与国自然重大仪器项目，入选北京市青年人才托举工程，在IEEE Trans.、ICML、NeurIPS、AAAI、ACM MM等发表SCI/EI论文四十余篇，授权发明专利十余项，曾获2024年北京市自然科学一等奖，2021年中国电子科技集团科学技术一等奖。

郭丹

合肥工业大学

郭丹，合肥工业大学计算机学院(人工智能学院)教授/博导，安徽省杰出青年，研究方向多媒体内容理解与情感计算；IEEE/CCF/CSIG高级会员，担任CSIG多媒体专业委员会副秘书长、安徽省情感计算与先进智能机器重点实验室常务副主任，安徽省人工智能学会理事、安徽省人工智能学会计算机视觉专业委员会主任；国际知名期刊IEEE TMM，ACM TOMM，PR。IET-IPR，EAAI等期刊副主编。在国内外高水平期刊和会议上发表了100余篇学术论文，其中包括84篇IEEE/ACM Trans.期刊论文和CCF-A类国际会议论文，涵盖IEEE TPAMI、IJCV、IEEE TIP、CVPR、AAAI、ACM MM等顶级期刊和会议；获得CCF-A类国际会议挑战赛（ACM MM和IJCAI等竞赛单元）的冠亚军10次。

报告嘉宾

山世光

中国科学院计算所

山世光，博士，中国科学院计算所所务委员，研究员，博士生导师，智能算法安全全国重点实验室副主任，智能信息处理实验室主任。他是IEEE Fellow，国家级领军人才，基金委优青，国务院特殊津贴专家，首届腾讯科学探索奖获得者，CCF青年科学家奖获得者。研究领域为人工智能，特别是计算机视觉、模式识别、深度学习、情感计算、AI安全、具身智能等。研究成果获2005年度国家科技进步二等奖，2015年度国家自然科学二等奖，2022年度CSIG自然科学一等奖，2024年度CSIG自然科学一等奖。现任CCF青工委副主任，CAAI模式识别专委会副主任。

报告题目：视线估计与跟踪技术和应用

报告摘要：眼睛是心灵的窗户。但目前我们距离从眼部信号准确解读心理和情感仍有很大差距。在本次报告中，我将在综述该领域国内外研究进展概况的基础上，介绍我们在眼部分析领域开展的一系列研究探索，包括视线估计、视线追踪，以及双人视线模式分析等。最后介绍视线分析技术在孤独症谱系障碍（ASD）辅助诊断中的应用探索和尝试。

李甲

北京航空航天大学

李甲，博士，教授，IET Fellow，中国计算机学会杰出会员。2005年于清华大学获学士学位，2011年于中科院计算所获博士学位，现任北京航空航天大学教授，北航青岛研究院副院长兼虚拟现实创新中心主任，可视计算与人机智能工信部重点实验室副主任，CSIG交通视频专委会秘书长。主要研究极端环境视觉计算，主持国家自然科学基金重点、优青等项目20余项，在IEEE TPAMI、CVPR等领域顶级期刊和会议发表论著140余篇，授权中国美国发明专利80余项，牵头获中国计算机学会技术发明一等奖等奖励。

报告题目：极端环境的微弱目标视觉计算

报告摘要：太阳大气、火星表面、深空深海等极端环境往往存在背景干扰极强、信号强度极弱、目标样本极少等物理极限，导致了微弱视觉目标"位置找不到、属性看不清、类别认不准"等难题。针对该问题，本报告将介绍团队在极端环境视觉计算方面取得的系列成果，包括微弱目标边缘检测、低质目标属性感知、稀疏样本迁移识别、极端环境数据生成等，以及其在重要行业领域的应用。

秦杰

南京航空航天大学

秦杰，南京航空航天大学人工智能学院副院长，教授、博士生导师，脑机智能技术教育部重点实验室副主任，国家级青年人才，江苏省杰青，中国科协海智特聘专家，中国图学学会数字媒体专委会副主任。主要从事计算机视觉、具身智能和多媒体等领域研究，重点关注面向开放动态环境的具身智能感知。发表论文100余篇，其中CCF A类论文50余篇，Google Scholar引用7000余次，H指数42。获中国图象图形学学会自然科学奖二等奖（排名1）、CCF A类会议ACM MM 2023唯一荣誉提名奖（1/3072）等。担任CCF A类期刊IEEE TIP编委、IJCV客座编委，CCF B类期刊Neural Networks编委，CCF A类会议NeurIPS、ICML、ICLR、AAAI、ACM MM领域主席等。主持国家自然科学基金联合重点、面上项目，新一代人工智能国家科技重大专项课题，江苏省杰出青年基金等项目。

报告题目：面向伪装场景的视觉理解与生成方法研究

报告摘要：本报告围绕伪装图像领域中的伪装目标检测与伪装图像生成两大任务开展系统性研究。在伪装目标检测方面，分别从特征建模与解码优化、性能与效率协同兼顾、跨模态数据增强三个维度提出相应研究方法，逐步增强模型对伪装目标的感知能力与检测精度。在伪装图像生成方面，探索兼顾结构保真与背景融合的自适应伪装合成方法，以及结合文本引导的可控扩散逼真伪装图像生成，有效解决伪装数据稀缺问题。相关研究工作在检测精度、效率及生成质量上取得较好效果，验证了所提方法的有效性与应用潜力。

刘羽

合肥工业大学

刘羽，合肥工业大学教授，国家高层次青年人才计划入选者，科睿唯安全球高被引科学家（2023至今），爱思唯尔中国高被引学者（2020至今）。主要研究方向包括多源图像融合、医学图像处理、计算机视觉等。近年来，在IEEE TPAMI、IJCV、IEEE TIP、CVPR等领域权威期刊和会议上发表论文100余篇，谷歌学术总被引20000余次。获中国图象图形学学会青年科学家奖、吴文俊人工智能优秀青年奖、安徽省自然科学二等奖、国际期刊IEEE TIM年度最佳论文奖等奖励。担任IEEE TIP、INFFUS等知名期刊编委。

报告题目：多场景视觉弱小目标检测方法研究

报告摘要：视觉弱小目标分割技术旨在从复杂背景或强干扰场景中准确分割尺度较小、边界模糊、特征不显著的关键目标，提升机器对复杂场景的精细感知能力。针对不同应用场景中弱小目标存在的目标表征不充分、背景干扰强、边界信息难以保持、跨模态信息利用不足以及标注数据有限等挑战，本报告将以"跨场景弱小目标分割"为主线，围绕可见光、红外以及医学影像等典型场景，系统介绍课题组近年来开展的代表性研究工作，重点阐述伪装目标表征增强、复杂背景干扰抑制、目标边界结构保持、目标轮廓粘连分离，以及任务驱动的多模态信息协同增强等关键技术，梳理形成面向多场景应用的视觉弱小目标分割方法体系。

刘鑫

上海交通大学

刘鑫，上海交通大学长聘副教授，情感计算与智能交互研究中心执行主任。入选上海市海外高层次人才"白玉兰人才计划创新项目"。拥有十余年海外科研与教学工作经历，曾任芬兰拉彭兰塔-拉赫蒂工业大学副教授，并先后在英国帝国理工学院、澳大利亚悉尼大学、芬兰奥卢大学等机构从事科研工作。研究方向为可信情感计算与人机共情。先后主持国家自然科学基金、芬兰科学院、芬兰教育部、芬兰国家IT科学中心、澳大利亚教育部等国内外科研项目。在PAMI、IJCV、CVPR、ICLR等国际top期刊和会议上发表论文80余篇，获批专利20余项。目前担任IEEE Transactions on Multimedia在内的多个国际期刊编委。

报告题目：基于细微信号的情感计算

报告摘要：情感计算旨在赋予机器理解、识别和响应人类情感的能力，是人工智能与心理学交叉领域的前沿方向。然而，真实场景中的情感表达往往微妙、复杂且受个体差异影响，仅依赖显式的面部表情或语音信号难以捕捉完整的情感状态。为应对这一挑战，本报告聚焦于基于细微信号的情感计算，系统介绍围绕微姿态、微表情、面部动作单元及远程生理信号等细微信号展开的研究工作。

王运涛

清华大学

王运涛，清华大学计算机系副研究员，围绕生理行为计算的自然人机交互，创新端设备上生理指征鲁棒解析、生理行为高效感知以及交互意图精准推理的方法与技术。发表学术论文90余篇，其中以第一/通讯作者发表CCF-A类论文40余篇，10余次荣获杰出论文奖、最佳论文奖等会议奖项，获得授权专利30余项，研发的多项自然交互技术运行在华为、蚂蚁等国内头部企业的数亿台用户终端产品。荣获中国科协青年人才托举工程、吴文俊人工智能青年科技奖、中国电子学会科学技术奖一等奖等国内外重要奖项。

报告题目：非接触式面部脉搏波鲁棒重建技术

报告摘要：生理行为状态的连续精准感知是智能健康监测与自然人机交互的重要基础。非接触式面部脉搏波重建（rPPG）通过通用摄像头捕捉心脏搏动引起的面部微弱颜色变化，实现无需佩戴设备的生理感知，但在开放环境中易受到肤色差异、光照变化、头部运动和表情干扰影响。本报告围绕非接触式面部脉搏波鲁棒重建技术，介绍覆盖跨肤色、头部动作、表情干扰和复杂光照条件的开放环境数据集构建；揭示生理信号的周期性与连续演化规律，提出基于时空状态空间对偶的心脏搏动隐状态转移建模方法，实现局部波形特征与长程周期节律的实时联合递推；进一步结合低功耗脉冲神经网络，形成可在手机、车载和舱内摄像头等端侧设备部署的 rPPG 鲁棒重建技术。在动态心率误差、计算能效等关键指标上取得显著提升，已支撑驾驶员健康监测、高原反应快速筛查等实际应用。

专题论坛：端侧智能影像技术

论坛简介

随着人工智能技术迅猛发展，智能影像处理正加速从云端集中计算向端侧实时处理演进。面向手机、无人机、可穿戴设备、智能车载系统等多样化端侧平台，如何在算力受限、功耗约束的条件下实现高质量、低延迟的影像智能处理，已成为学术界与产业界共同面临的核心挑战。数据驱动、模型量化、网络剪枝、端侧异构协同等关键技术正处于突破关口，而当前领域内针对端侧影像智能的专项学术论坛仍不多见，亟需搭建专业化的交流平台，推动理论研究与工程实践的有效融合。

本论坛围绕端侧影像技术开展专题研讨，梳理智能影像端侧技术的研究现状与发展趋势，促进前沿成果共享与转化应用；推动算法、芯片、系统等多学科交叉融合，加速突破端侧部署的效能瓶颈。

论坛召集人

黄华

北京师范大学

黄华，北京师范大学人工智能学院教授，院长。主要从事人工智能教育、图像视频处理的研究工作。主持国自然杰青、重点、国家重点研发计划等项目；发表学术论文百余篇，获授权国家发明专利60余项，部分成果在工业、互联网行业得到应用。兼任"新一代人工智能"科技创新2030重大项目管理专家组成员；中国图像图形学会常务理事、多媒体专业委员会主任；中国计算机学会常务理事、教育工作委员会副主任；中国自动化学会理事、副秘书长。

王立志

北京师范大学

王立志，北京师范大学人工智能学院教授、博导、国家优青。主要从事智能图像处理、智能语音处理等方向的研究工作。主持联合重点、优青等国家纵向项目和华为、安克等企业合作项目，发表论文60余篇，担任IEEE TIP和CAD学报编委。荣获中国图象图形学学会自然科学一等奖、ACM Multimedia最佳论文提名奖、中国电子学会优秀博士学位论文奖、北京市优秀本科毕业设计指导教师等奖励。

报告嘉宾

范益波

复旦大学

范益波，复旦大学教授博导，国家高层次领军人才，上海市东方学者特聘教授，视频图像处理器实验室（Video & Image Processor Lab, VIP Lab）负责人。专注于视频编解码VPU、图像ISP与神经网络NPU处理器的芯片架构研究。出版专著2本，发表学术论文200多篇，授权国家发明专利60多件。科研成果获得上海市技术发明一等奖，中国图象图形学学会技术发明二等奖，创建"OpenASIC"开源芯片社区，发布xkVPU、xkISP、xkDLA等开源视频图像处理器IP核，致力于从事视频、图像、人工智能相关的处理器核心技术研究与IP核开源。

报告题目：视觉无损的毫秒级低延迟浅压缩视频编解码处理器

报告摘要：视觉无损的低延迟浅压缩编解码处理器，面向超高清、极低延迟、极高画质视频应用领域，实现了视觉无损的统一视频编解码专用处理器，支持自然图像、屏幕渲染内容与高对比度文本图像的无损压缩。实现10~50倍恒定压缩比、4K30~120fps、YUV444采样、PSNR>42 dB，编解码延迟<1ms的高性能编解码。本系统显著提升了图像压缩比与编码质量，未来可用于无线高清VR、机器人遥操、无线HDMI连接等应用场景。

王诗淇

香港城市大学

王诗淇，香港城市大学计算机科学系教授，计算学院副院长。他自2008年起从事人工智能、多媒体、视觉通信和分析方面的研究工作。截至2026年6月，共撰写和参与撰写了400多篇国际会议和期刊论文，并为MPEG和AVS视频/特征压缩编码标准提出了70余项技术提案。根据谷歌学术数据统计，他的论文被引用总次数超过23000次。荣获香港研究资助局2025/26年度"研究学者计划"资助，带领团队在IEEE ISCAS 2024神经网络视频编码挑战中夺得混合赛道、端对端赛道及VVC编码器赛道冠军；在CVPR 2024和2025热成像超分辨率挑战赛（GTISR）赛道2中获得冠军；并在第48届日内瓦国际发明展中获得金奖和银奖。同时，他还荣获2021年IEEE多媒体新星奖、2021年香港城市大学校长奖、2020年国家自然科学基金优秀青年科学基金（港澳）。他同时担任多个国际知名期刊的编辑和重要会议的程序委员会主席，主持多项香港创新科技署研究项目。

报告题目：面向端侧智能影像的高效编码方法与感知质量评估研究

报告摘要：随着生成式视觉模型、端侧算力和新一代影像传感器的发展，智能影像系统正在从"采集—压缩—传输—云端分析"的线性流程，走向面向任务、面向交互、面向端云协同的一体化架构。报告将重点介绍端侧智能影像的三个研究：第一，利用生成式模型和可控语义表示降低超低码率视频通信成本，支持头像会议、远程协作和移动社交中的高效传输与个性化控制；第二，面向端侧设备建立质量感知的影像处理链路，将主观感知质量、无参考质量评价、压缩失真评估和生成内容质量分析融入采集、压缩、增强和传输决策；第三，面向端侧人工智能推理构建"为机器而编码"的视觉数据通路，在压缩、增强、检测、识别之间建立联合优化机制，并围绕影像真实性、伪造检测和安全可信，探讨压缩与生成处理对可信视觉分析的影响。通过上述内容，本研究希望为智能终端多媒体系统研究提供新的视角。

潘金山

南京理工大学

潘金山，南京理工大学计算机科学与工程学院教授、博士生导师；主要从事图像视频复原与增强等相关底层视觉问题的研究；发表CCF A类论文100余篇，谷歌学术引用2万余次；研究工作曾获国家优秀青年科学基金、联合基金重点项目等的资助；目前担任IEEE TPAMI等期刊的编委以及CVPR等国际会议的领域主席。

报告题目：面向保真度与真实感权衡的可控生成式图像视频复原方法

报告摘要：图像视频复原任务中，保真度与真实感的平衡是核心难点。传统基于判别式建模的图像复原方法倾向于生成高保真但过于平滑的结果，缺乏真实纹理；而生成式建模方法虽能提升真实感，但易引入伪影或偏离原始内容。本报告将聚焦可控扩散模型在该任务中的应用，围绕输入图像特征与生成式先验之间的关系，介绍退化特征与生成式先验的联合优化方法、区域自适应与文本匹配协同引导建模方法以及时空连续建模方法，实现复原图像视频保真度与真实感之间的平衡。

亓鲁

武汉大学

亓鲁，国家高层次青年人才，武汉大学计算机学院教授，影石Insta360研究院负责人，研究方向为计算机视觉和机器人，谷歌学术引用17000余次，担任人工智能领域旗舰期刊IEEE TPAMI 编委，多次担任计算机视觉领域国际顶级会议CVPR、ICCV、NeurlPS、ICLR、ICML的领域主席。

报告题目：基于全景数据的具身空间智能研究

报告摘要：随着多模态大模型、具身智能与空间智能的快速发展，人工智能系统正从传统二维视觉理解迈向真实世界4D空间建模。相比透视图像，全景数据具备360°完整视野、连续空间表达以及天然适配机器人与无人机运动轨迹等优势，为世界模型、自主导航与空间推理提供了新的统一视觉基础。本报告基于全景数据的空间智能研究，重点介绍近年来在全景数据构建、空间建模与生成式智能方向的代表性工作，包括 AirSim360、Fly360、DAP 与 DiT360 等研究内容。其中，AirSim360 与 Fly360 通过构建面向无人机与空间智能任务的大规模全景仿真与飞行数据体系，实现多模态时空信息的统一建模；DAP 从全景ERP结构特性出发，研究几何感知与畸变适配的空间表示方法；DiT360 则探索全景扩散模型与生成式世界建模，通过多视图映射与旋转一致性提升全景生成的几何一致性与空间连续性。报告将进一步讨论全景空间智能在世界模型、无人机自主飞行、具身智能与智能影像等方向的潜在价值，并分析当前在空间一致性、长时记忆与真实世界泛化等方面面临的挑战与未来发展趋势。

专题论坛：多媒体可信人工智能理论基础

论坛简介

随着多媒体智能与大模型技术快速演进，人工智能系统已广泛进入感知、理解、生成与决策等关键环节，但其可靠性、稳定性与可验证性仍缺乏坚实的理论支撑。当前不少方法在经验上有效，却在分布变化、任务迁移、风险控制、推理一致性等方面暴露出明显局限，反映出可信人工智能发展正从"性能驱动"转向"理论驱动"的关键阶段。本论坛以"可信人工智能基础理论"为主题，面向ChinaMM 2026参会个人和学术团队，聚焦可信性的数学刻画、泛化与鲁棒性机理、因果与不确定性建模、对齐与可验证推理等核心问题，探讨多媒体智能场景下理论分析与算法设计的深度融合路径。论坛旨在汇聚相关领域青年学者与研究团队，推动形成面向多模态感知、内容生成与复杂决策的可信人工智能理论框架，为构建安全、可靠、可解释、可验证的新一代智能系统提供基础支撑。

论坛召集人

杨智勇

中国科学院大学

杨智勇，中国科学院大学副教授，博士生导师，研究方向聚焦决策不变的机器学习方法及理论，并参与形成了Xcurve一般化框架，在CCF-A类期刊及会议共发表论文60余篇，其中TPAMI/ICML/NeurIPS 30余篇（TPAMI 一作 5篇），担任ICML/NeurIPS/ICLR 领域主席，获CCF优秀博士学位论文激励计划 (原CCF优博)、CSIG自然科学奖一等奖、吴文俊人工智能科技进步二等奖、2024年NeurIPS大模型安全竞赛冠军、首届百度AI全球华人新星百强、中国科学院百篇优博论文、百度奖学金全球20强等称号/荣誉。

赵鹏

南京大学

赵鹏，南京大学人工智能学院准聘副教授，博士生导师，机器学习与数据挖掘所（LAMDA）成员。研究方向为机器学习基础理论，包括在线学习、随机优化、强化学习理论等。发表学术论文60余篇，包括JMLR、COLT、ICML、NeurIPS等顶级期刊和会议。担任Machine Learning (Springer) 期刊编委及ICML、NeurIPS等会议领域主席等。入选CCF优秀博士论文激励计划，曾获南京大学"小米青年学者-科技创新奖"、百度奖学金等。

包世龙

中国科学院大学

包世龙，中国科学院大学博士后/特别研究助理，北京图象图形学学会青工委委员，研究方向为机器学习与人工智能安全，在 CCF-A 类期刊/会议上发表论文 20余篇，包括TPAMI 9 篇 (IF:18.6，一作4篇)。先后入选中国博士后科学基金国家资助博士后研究人员计划、北京市"高创计划"青年人才托举工程、中国科学院特别研究助理项目等人才支持计划；主持国家自然科学基金青年项目（C类）、中国博士后科学基金面上等项目，并参与中科院先导 B、国家自然科学基金专项等重大项目。

侯臣平

国防科技大学

侯臣平，国防科技大学教授，博士生导师，入选国家杰青、优青、湖南省杰青等人才称号。主要从事人工智能基础方面的研究工作，在自适应学习理论与应用等方面取得了系列研究成果，并成功应用于国防领域。近年来，在IEEETPAMI、JMLR 等国内外刊物和会议上以第一/通讯作者发表学术论文100 余篇（包括IEEE/ACM 汇刊长文 30 余篇）。担任军科委基础加强重点项目首席科学家，主持科技部 2030 重大项目课题、国家自然科学基金重点项目课题、国防973 专题等15项项目。获中国图象图形学学会自然科学一等奖 1 项、省部级一等奖1 项。

报告嘉宾

操晓春

中山大学

操晓春，中山大学网络空间安全学院院长、校学术委员会委员，国家杰出青年青年科学基金获得者，主要在人工智能与网络空间安全的交叉领域从事应用基础研究，发表（含接收）Nature Communications、PAMI、ACM Computing Surveys、CCS、TIFS等论文300余篇。先后担任PAMI/TIP/TMM/TCSVT/电子学报/FCS/计算机科学的编委，NeurIPS/ICML/ICCV/CVPR/IJCAI/AAAI 的Area Chairs。兼任中国电子学会理事、青年科学家俱乐部主席团主席、中国图象图形学学会理事。获2024年中国电子学会自然科学一等奖和2019年中共中央办公厅技术进步一等奖。中国计算机学会优博、中国电子学会优博、中国科学院大学优博指导导师。培养的研究生有6人入选国家级青

报告题目：智能体决策归因

报告摘要：智能体决策归因安全问题是当前人工智能领域的关键课题，提升智能体决策的可靠性与安全监控、预防潜在重大隐患，具有重要意义。归因技术作为可解释技术中的重要组成部分，其能否有效辅助提升模型决策的安全性与可靠性是一个巨大的挑战。已有研究指出，归因分析不仅有助于理解模型决策过程，还在模型质量监测与风险控制中发挥着关键作用。然而，解释质量对模型可靠性至关重要，通常性能更优的模型会展现出更合理的归因分布，从而帮助识别决策异常。而一些训练手段则有助于提升模型归因的合理性。本报告的目标是探讨智能体决策归因安全问题，重点围绕三个核心方向展开：可解释归因技术、归因引导模型训练增强以及模型归因异常监控与修复，旨在为智能体系统的性能提升与安全保障提供理论依据和实践指导。

崔鹏

清华大学

崔鹏，清华大学计算机系长聘副教授，博士生导师，IEEE Fellow，ACM杰出科学家，获得国家杰青项目资助。研究兴趣聚焦于因果启发的稳定预测和决策、结构化数据通用大模型等。将因果统计思想与机器学习框架进行融合性研究，自主提出并发展了因果启发的稳定学习理论方法体系，构建并开源首个结构化数据通用大模型LimiX，在医疗、工业等场景取得显著应用价值。在ICML、KDD等顶级国际会议及Nature Machine Intelligence等期刊发表论文100余篇，先后7次获得国际会议或期刊论文奖。担任IEEE TKDE、ACM TOMM、ACM TIST、IEEE TBD、KAIS等国际期刊编委。获得两项国家自然科学二等奖、两项教育部自然科学一等奖、CCF-IEEE CS青年科学家奖。担任第九届科协全国委员会委员，中国计算机学会副秘书长。

报告题目：因果智能驱动世界模型的建构与演进

报告摘要：本报告将围绕"因果智能"在实现世界模型中的核心作用展开论述，提出因果智能不仅是人类认知世界的基础逻辑，更是机器构建可解释、可推演世界模型的关键能力。报告进一步阐释，以 LimiX 为代表数据大模型（LDM）作为新一代因果智能载体，通过因果推理与大规模数据预训练极数的融合，实现了对复杂系统中因果结构的识别与建模。这类模型不仅能够从数据中挖掘相关性与干预效应，还能支持反事实推理与决策推演，从而为动态、开放的现实世界提供可泛化、可解释的认知框架。以因果智能为内核、以数据大模型为基础的世界模型，正推动人工智能从关联向因果演进，为科学研究、产业决策以及AGI的发展开辟新路径。

刘祥龙

北京航空航天大学

刘祥龙，北京航空航天大学计算机学院党委书记、教授，国家杰青、优青，国家网信创新人才，国家人工智能标准化总体组治理专题组联合组长，国家重点研发计划首席科学家。长期从事安全可信人工智能的教学和科研，负责《人工智能安全导论》等国家级课程，发表TPAMI、IJCV、NeurIPS、CVPR等人工智能领域国际顶级期刊/会议论文160余篇，主持科技创新2030重大项目、国家重点研发计划项目等国家级项目。担任IEEE TNNLS等期刊编委，ACL、AAAI等国际顶级会议领域主席。连续入选爱思唯尔中国高被引学者，获省部级/学会科技奖一等奖2项、中国电子学会青年科学家奖等奖励。

报告题目：对抗反演生成：攻防与演练

报告摘要：大模型、智能体、具身智能等人工智能模型及系统已成为国民经济和社会发展广泛依赖的关键信息基础设施。但近年来这类系统在实际应用中面临着对抗样本、后门攻击等安全挑战，暴露出大量的安全风险。加强人工智能安全治理已经成为国家战略，亟待探索明晰人工智能的安全边界，建立安全攻防技术体系、评测评估能力及演练监测系统。本报告将围绕上述目标，简要报告团队在小模型、大模型、智能体、具身智能等人工智能安全攻防和评测的探索，重点针对具身智能在物理世界的安全问题，介绍团队提出的对抗反演生成方法，及其在物理世界对抗攻击、安全评测及仿真演练环境等方面的应用实践，以及人工智能安全技术发展思考。

刘日升

大连理工大学

刘日升，大连理工大学教授、国家优青。研究领域为人工智能基础理论、无人系统智能技术，发表CCF推荐A类及IEEE汇刊论文100余篇。获吴文俊人工智能自然科学奖一等奖（1/5）、教育部自然科学奖二等奖（1/5）、中国计算机学会与IEEE CS联合颁发青年科技奖（1/1）、中国自动化学会青年科技奖（1/1）、辽宁省自然科学奖一等奖（3/5）、中国图象图形学学会自然科学奖二等奖（1/5）。担任ICML、NeurIPS、ICLR、CVPR、IJCAI、ACM MM等会议领域主席，Information Fusion期刊领域编委，IEEE TPAMI、IEEE TIP、IEEE TCSVT等期刊编委

报告题目：多模态信息融合的优化计算理论

报告摘要：由于成像机制、物理光谱、信息尺度耦合因素影响，多源异构观测信息在语义空间下存在显著表征差异，复杂感知场景下还进一步面临全链路多任务的有效协同难题。本次报告重点汇报团队面向多模态信息融合融合领域上述挑战开展的计算理论方法及感知应用研究成果。

韩波

香港浸会大学

韩波，现为香港浸会大学计算机系机器学习方向长聘副教授、博士生导师，可信机器学习与推理研究组主任，同时也是日本理化学研究所先进智能中心项目梅峰访问科学家，其研究方向为机器学习、深度学习、基础模型及其应用。他曾担任香港科技大学（广州）数据科学与分析学域访问副教授，MBZUAI机器学习系访问学者，微软研究院和阿里巴巴达摩院访问教职研究员，以及日本理化学研究所先进智能中心项目博士后研究员。他在悉尼科技大学获得计算机科学博士学位。他合著了三本机器学习专著，分别发表在麻省理工学院出版社、施普林格自然出版社和Foundations and Trends系列期刊。他曾担任 NeurIPS 和 ICML 高级领域主席，以及 ICLR、UAI 和 AISTATS 领域主席。他还担任 IEEE TPAMI、MLJ 和 JAIR 副主编，以及 JMLR 和 MLJ 编委。

报告题目：探索可信基础模型：评测、微调与推理

报告摘要：现实环境中的带噪数据、分布偏移以及各类不可预期的输入，对基础模型的可靠性、安全性与泛化能力提出了更高要求。因此，如何通过严谨的评测、以安全与可控性为导向的微调，以及积极主动的推理来构建可信的基础模型，已成为该领域的核心问题之一。在本次报告中，我将介绍三项近期研究进展。它们分别从评测、微调与推理三个层面展开，共同构成一条面向可信基础模型的系统化研究路径。首先，在评测方面，我将介绍CounterAnimal，这是一个用于系统评估CLIP 在真实伪相关情形下脆弱性的数据集。其次，在微调方面，我们关注如何通过反学习机制消除模型中不期望的行为。再次，在推理方面，我们通过AR-Bench研究非完备信息条件下的主动推理能力。我们也将简要介绍AlphaApollo，这是我们面向深度智能体推理所构建的推理系统。

专题论坛：流式视频理解与生成

论坛简介

随着大语言模型与多模态智能技术的迅猛发展，视频理解与生成正经历从离线批处理向在线流式实时交互的范式转变。这一转变由具身智能、自动驾驶、实时监控、交互式内容创作等前沿应用所驱动，对模型的时序推理能力、实时响应效率与连续生成质量提出了全新挑战。

在视频理解方面，现有视频大语言模型主要将视频视为静态有限的帧序列进行离线处理，难以适应流式数据连续、无界且低延迟的需求。如何在海量冗余的视频流中实现智能信息筛选、主动时机决策与实时响应，弥合离线能力与在线需求之间的鸿沟，是当前核心难题。在视频生成方面，现有主流方法仍以离线方式一次性生成固定长度片段，面临生成延迟高、长视频时序一致性难以维持、无法根据实时反馈动态调整等瓶颈。

为此，本论坛邀请国内外在视频大模型、流式多模态推理、实时视频生成等方向的顶尖学者与企业技术专家，围绕在线时序推理与主动响应机制、理解与生成的协同统一等前沿议题展开深入研讨，分享其在具身智能、自动驾驶、实时监控等领域的最新成果与应用实践。期望通过本次论坛，推动视频理解与生成从离线走向在线、从静态走向流式的范式革新，促进实时、交互、可持续的视频智能技术在更广泛领域的深度应用与落地。

论坛召集人

鲍秉坤

合肥工业大学

合肥工业大学计算机与信息学院院长，博士生导师、国家杰出青年基金获得者。研究方向为多媒体计算、社交多媒体、计算机视觉、人工智能等。主持多项国家和省部级级项目，包括国家科技创新2030-人工智能重大专项、国家自然科学基金重点项目、国防科技173计划技术领域基金项目、江苏省重点研发计划等。荣获2018年度电子学会科学技术（自然科学类）一等奖。荣获多媒体领域的ACM汇刊TOMM 2016年度最佳论文奖（国内学者首次获得）、IEEE MM 2017年度最佳论文奖、Multimedia Modeling 2019年度最佳论文Runner Up奖。荣获ICME 2020 Outstanding Areas Chair。担任IEEE Trans. on Multimedia、IEEE Trans. on Circuits and Systems for Video Technology、ACM Trans. on Multimedia Computing, Communications and Applications、 Multimedia Systems编委。

侯淇彬

南开大学

侯淇彬，南开大学计算机学院副教授，国家级四青人才，博士生导师。主持国家自然科学基金委青年科学基金项目（B类）/面上项目/重大项目子课题等，入选第七届中国科协青年人才托举计划。目前已在IEEE TPAMI, CVPR, ICCV, NeurIPS等CCF推荐A类国际顶级计算机视觉相关杂志与会议发表论文50余篇，谷歌学术引用26000余次。指导学生获批国家自然科学基金委博士生基金，入选中国科协青年科技人才培育工程博士生专项计划。曾获教育部自然科学奖一等奖、天津市自然科学一等奖、吴文俊人工智能科学技术奖自然科学二等奖项。担任CSIG会员发展与服务工委会秘书长、天津市视觉计算与智能感知重点实验室副主任。

钱胜胜

中国科学院自动化研究所

钱胜胜，中国科学院自动化研究所研究员。研究方向为多媒体内容分析，多模态大模型等，在IEEE/ACM Trans.期刊和CCF-A类会议上发表论文70余篇，相关成果获中科院优博、ACM MM 2016年最佳论文、2019年最佳论文提名、SIGIR 2024年最佳论文提名、ICIG 2025年最佳论文等。担任CCF多媒体专委会副秘书长，主持国家自然科学基金青年基金B类、企业联合基金重点项目、国家重点研发计划青年科学家项目、某部委专项、北京市杰出青年基金、腾讯微信犀牛鸟专项、小米科研专项和快手科研专项等，相关成果获中国电子学会技术发明一等奖（序2）。

报告嘉宾

郑伟诗

中山大学

郑伟诗博士，中山大学计算机学院教授、教育部"长江学者奖励计划"特聘教授、IAPR Fellow、英国皇家学会牛顿高级学者，现任中山大学计算机学院副院长、机器智能与先进计算教育部重点实验室主任。他长期研究机器学习和人工智能应用。他发表CCF-A/中科院1区/Nature子刊论文 200多篇，其中在IEEE T-PAMI/IJCV/SIGGRAPH /自然通讯发表30余篇。担任国际人工智能顶级期刊IEEE T-PAMI、Artificial Intelligence Journal等期刊的编委。作为负责人，主持承担国家自然科学基金委重大研究计划重点项目、国家自然科学基金委联合基金重点项目等国家级重点项目5项和广东省自然科学基金委卓越青年团队(负责人)项目等。获中国图象图形学学会自然科学奖一等奖、广东省自然科学奖一等奖等、国家教学成果奖二等奖等。

报告题目：移动机器人视觉言语自主导航

报告摘要：视觉语言导航依托语言指令实现智能体自主行进，当前存在拓扑建模不准、真机部署困难、室外长距导航与稀疏环境泛化不足等问题。围绕空间语义约束开展四项研究：提出 PRET 构建有向拓扑地图，完成指令轨迹对齐并缩减计算开销；设计 monoVLN，结合 3DGS 重建、特征补全与主动感知，打通单目设备真机落地瓶颈；室外场景采用 Loc4Plan，先空间定位再动作规划，优化长距离导航效果；通过 LLM 知识蒸馏耦合流模型，提升稀疏地图下目标导航的泛化能力。

杨易

浙江大学

杨易，IEEE Fellow、IAPR Fellow，浙江大学求是讲席教授、国家特聘专家。现任浙江大学人工智能研究所所长、微软-教育部视觉感知重点实验室主任、人工智能省部共建协同创新中心副主任，以及中国图像图形学学会数字娱乐与智能生成专业委员会主任。相关论文在谷歌学术上引用超过 9 万次，H-index达152，近8年连续入选科睿唯安全球"高被引学者"。他的科研成果获得国内外广泛认可，荣获教育部全国优秀博士论文（2010）、浙江省自然科学一等奖(2015)、澳大利亚计算机学会颠覆创新金奖（2016）、谷歌学者研究奖（2016）、澳大利亚科研终身成就奖（2019）、亚马逊机器学习科研奖（2020）、AAAI最具影响力论文（2021）、ACM MM唯一最佳论文奖（2023）、中国图象图形学学会自然科学奖一等奖（2023）、浙江省科学技术进步一等奖（2024）、首届祖冲之奖—人工智能前沿创新奖（2024）、吴文俊人工智能科学技术奖自然科学一等奖（2025）等多项奖项，并在国际科研竞赛中获得30余次世界冠军。

报告题目：基于分层架构与统一协议实现通用具身智能

报告摘要：当前具身智能因普遍采用"垂直整合"模式导致的重复造轮子、高昂成本与生态碎片化困局。为了打破关键模组接口不兼容率超 90% 的技术壁垒，借鉴计算机系统抽象分层的成功经验，提出了一套由具身指令编译器（基于 GPT-4 进行任务规划）、统一具身机器指令集 (EMIS)（标准化软硬件交互协议）与 Diffusion 动作执行器（生成鲁棒的运动序列）构成的分层解耦架构。通过原型系统 BiBo 及其 InfiniEVA 仿真评测体系的实践展示，证明了通过构建统一协议与层级体系，可以有效打破软硬件耦合，从而推动通用、可复用的具身智能系统规模化落地。

李泽超

南京理工大学

李泽超，南京理工大学计算机科学与工程学院/人工智能学院/软件学院教授、院长，研究兴趣主要是多模态智能分析、计算机视觉等。主持国家杰出青年科学基金、新一代人工智能国家科技重大专项课题、国家自然科学基金联合基金重点项目等；入选国家"万人计划"青年拔尖人才，在IEEE TPAMI、IJCV和CCF A类会议发表论文60余篇；第一完成人获得2024年度江苏省科技进步一等奖，第二完成人获得2022年度中国电子学会自然科学一等奖和2020年度江苏省科学技术一等奖，第三完成人获得2017年度江苏省科学技术一等奖等；获得ACM MM Asia 2020和2024两年度最佳论文奖等；担任IEEE TPAMI、TCSVT、TMM等期刊编委，曾担任IEEE TNNLS、Information Science等期刊编委。

报告题目：多模态内容理解与生成

报告摘要：随着人工智能技术的发展，多模态内容智能分析在千行百业中发挥着越来越重要的作用，比如智慧工业巡检、智慧农业等等。这些应用中也逐步引入内容生成技术提升其效能。多媒体内容生成与理解相辅相成。为此，本报告将简要介绍团队在多媒体内容理解与生成方面的研究工作，主要包括图像理解、语义分割、视觉定位、可控文生图的增强-控制-蒸馏模型、反演适配器、风格迁移模型等，最后简单介绍下相关应用。

齐晓娟

香港大学

Xiaojuan Qi is currently an Associate Professor in the Department of Electrical and Electronic Engineering at the University of Hong Kong. She received her Ph.D. from the Chinese University of Hong Kong and has conducted research and academic exchanges at the University of Toronto, the University of Oxford, and Intel's Visual Computing Group. Her research focuses on empowering machines with the ability to perceive, understand, and reconstruct the visual world in open environments, with an emphasis on real-world deployment in embodied agents. She has authored over 100 papers in premier conferences across computer vision, graphics, and machine learning, including SIGGRAPH Asia, CVPR, ICCV, and NeurIPS, with many selected for oral presentations. Dr. Qi received a Best Paper Honorable Mention at SIGGRAPH Asia and was named one of IEEE AI's 10 to Watch in 2024, MIT TR 35 China. She actively serves the academic community, frequently as an Area Chair for ICCV, CVPR, NeurIPS, ICML, and AAAI.

报告题目：Streaming Visual Intelligence: From Online Perception to Long-Horizon Generation

报告摘要：Real-world AI systems perceive and act through continuous streams rather than isolated images or completed videos. This makes streaming understanding and generation essential for embodied agents, robotics, AR, and interactive multimodal systems, where models must process incoming observations causally, maintain compact memory, and produce stable outputs in real time. In this talk, I will present three recent works toward this goal. First, I will discuss streaming depth perception, where single-image geometry foundation models suffer from temporal scale-shift drift when applied frame by frame. Our Dynamic Feature Normalization method stabilizes latent feature statistics over time, enabling consistent streaming 3D reconstruction while preserving the accuracy of the frozen pretrained backbone. Second, I will introduce streaming vision-language understanding, focusing on spatial reasoning under partial observations, long-term memory, and active exploration. Third, I will discuss streaming generation, where efficient long-video generation requires memory-efficient training, quantized inference, and real-time decoding. Together, these works point toward a new paradigm of streaming AI: systems that continuously perceive, remember, reason, and generate under real-world temporal and computational constraints.

朱政

极佳视界

朱政，极佳视界联合创始人、首席科学家，智源青年学者，主导和深度参与融资超30亿元，公司估值超100亿元。在TPAMI、CVPR上发表论文70余篇，文章总引用19000余次，连续4年入选全球前2%顶尖科学家榜单，单篇论文最高他引超过3500次，多篇代表作引用超过1000次，在业界产生了广泛的影响力。获得2025年吴文俊人工智能自然科学奖一等奖、2025年度魔搭社区具身智能先锋人物（20人）、PRCV2025最佳学生论文奖、CCF杰出论文奖。

报告题目：世界模型：走向视频生成新时代

报告摘要：以视频生成为核心的世界模型的研究热潮正在席卷学术界和工业界，并在具身智能基础模型中得到了广泛的关注，但还有诸多问题尚待解决，包括数据来源、模型架构、训练方法。本报告将从视频生成在物理世界的应用切入，系统介绍其在数据引擎、策略环境、世界动作模型方面的潜力和最新进展，并探讨极佳视界在GigaWorld具身世界模型、GigaBrain具身基础模型、DriveDreamer自动驾驶世界模型上的探索和应用。

专题论坛：音频跨媒体智能发展与应用

论坛简介

本次论坛聚焦音频跨媒体智能领域的前沿动态与实践突破，围绕多模态融合、音频生成与理解、大模型计算、语言声学等核心方向展开深度研讨。论坛首先分享多模态异构大模型集群计算技术及其在各领域的应用实践，破解大模型参数量过高、产业落地低效等痛点，探索模块化赋能新模式；其次聚焦融合多模态信息的可控语音生成，结合语音产生机理与统计声学建模，分享高自然度、可调控的语音合成技术进展；进而系统梳理音频生成与理解领域的最新突破，涵盖语音识别、语音情感感知、音乐生成等关键方向，探讨技术产业化路径，并且围绕多语言多模态大模型与应用，解读"图—音—文"多模态协同技术的创新思路。论坛通过深入剖析音频跨媒体智能领域的核心技术瓶颈、前沿发展趋势，推动多模态技术与音频智能的深度融合，促进学术成果向产业应用转化，为多媒体产业高质量发展注入新动能、提供新路径。

论坛召集人

吴飞

浙江大学

吴飞，浙江大学教授，博士生导师，国家杰出青年科学基金获得者，现任浙江大学本科生院院长。长期从事人工智能、多媒体分析与检索研究，担任科技部重点研发计划项目负责人，主持国家自然科学基金重点项目2项。2022年负责的《"101计划"人工智能引论课程虚拟教研室》入选教育部第二批虚拟教研室建设试点，并于2022年6月获"十佳中国电子学会优秀科技工作者"荣誉称号。担任国家教材建设重点研究基地（高等学校人工智能教材研究）执行主任、浙江大学人工智能教育教学研究中心主任。在Nature子刊Machine Intelligence等期刊发表学术论文，研发端云协同分布式机器学习系统及智海新一代人工智能科教创新平台。2025年就人工智能大模型开源化发展发表观点，指出开源策略正推动"人工智能+"应用场景拓展，并于辽宁省"101计划"建设启动会上作主旨报告。

杨易

浙江大学

杨易，IEEE Fellow、IAPR Fellow，浙江大学求是讲席教授、国家特聘专家。现任浙江大学人工智能研究所所长、微软-教育部视觉感知重点实验室主任、人工智能省部共建协同创新中心副主任，以及中国图像图形学学会数字娱乐与智能生成专业委员会主任。同时，他还担任科技部2030"新一代人工智能"重大项目负责人、国家自然科学基金重点专项负责人等多项国家级重大科研任务负责人。

俞俊

哈尔滨工业大学（深圳）

俞俊，国家杰出青年基金获得者，现任哈尔滨工业大学（深圳）智能科学与工程学院院长、二级教授、博导。浙江大学计算机学院本科、博士，新加坡南洋理工大学博后。曾分别入选国家优青与青年长江等人才计划。主持基金委重点项目、科技部重点研发项目、省杰青人才项目等。致力于图像处理与分析、多模态内容理解的研究。发表IEEE/ACM Trans及CCF A类论文百余篇，授权国家发明型专利30余项，谷歌引用2.3万余次。任IEEE TMM、TCSVT、Pattern Recognition等汇刊编委。曾以第一作者获IEEE TMM, TIP, TCYB等期刊的最佳论文奖，获省自然科学一等奖 2021（排名第一）。成果在人民日报、阿里等落地。

赵洲

浙江大学

赵洲，浙江大学计算机学院教授、博士生导师、国家青年人才、科技部2030重点研发计划青年科学家，主持国家自然科学基金联合基金重点、浙江省杰青等项目。主要研究方向为多媒体计算，在国际期刊TPAMI、TIP、TMM和会议ICML、ICLR、CVPR等上发表100余篇论文，谷歌学术引用2.6万+，相关技术被应用于微软、字节、Stability AI、华为等公司，获2025年中国图象图形学学会自然科学一等奖(1/5)、2022年浙江大学竺可桢学院十佳专业导师，连续多年入选"全球前2%顶尖科学家榜单"和"中国高被引学者"，指导的多位学生获华为天才少年奖和浙江大学竺可桢奖学金。

报告嘉宾

陶建华

清华大学

陶建华，清华大学自动化系长聘教授，北京信息科学与技术国家研究中心副主任，国家杰出青年基金获得者，享受国务院政府特殊津贴，主要从事多源信息融合、模式识别、大数据处理等方向，在IEEE TPAMI、IEEE TAFFC、IEEE TASLP、AAAI、IJCAI、ACL等国内外主要期刊或会议上发表论文300余篇，先后负责国家重点研发计划项目、国家自然科学基金重点项目、国家863重点项目、国家发改委项目等多项重点科研任务。研究成果获2022年中国人工智能学会吴文俊技术发明特等奖、2021年和2024年中国电子学会技术发明一等奖、2018年中国电子学会技术进步一等奖，2023年北京市发明专利一等奖，并多次在国内外学术会议上获奖。目前担任中国人工智能学会会士和常务理事、中国计算机学会会士等。

报告题目：异构模型集成与多智能体协同

报告摘要：报告将介绍以大小模型协同的异构大模型集群计算技术，包括：模型集群计算的任务协同技术、多智能体协作技术、模型集群的自适应蒸馏与场景适应技术等。并通过构建"数据车间+模型工厂+调度中心"三位一体的智能中台，实现基于异构模型的多智能体协同计算。报告还将该技术在政务服务、应急管理等场景的典型应用案例。

凌震华

中国科学技术大学

凌震华，中国科学技术大学教授、博士生导师、信息科学技术学院副院长，语音及语言信息处理国家工程研究中心副主任，入选国家重大人才工程。主要从事语音信号处理、自然语言处理等方向的研究。主持多项国家自然科学基金、国家重点研发计划课题、安徽省语音专项等科研项目，已发表论文200 余篇，累计被引1.3万余次，获国家科技进步奖一等奖、IEEE信号处理学会最佳青年作者论文奖等奖项，多次在国际语音语言技术评测中获得第一名。任IEEE/ACM TASLP等期刊编委、IEEE信号处理学会语音与语言处理技术委员会委员、中国计算机学会语音听觉与对话专委会秘书长。

报告题目：融合多模态信息的可控语音生成

报告摘要：语音合成将文本等输入信息转换为自然流畅的语音，是智能语音技术的核心组成。近年来，深度学习技术的发展显著提升了语音合成的自然度与灵活性。同时，人机交互、AIGC等应用领域对语音合成在个性化与表现力等方面的可控性提出了更高需求。本报告将介绍我们近期在融合多模态信息的可控语音生成方面的研究进展，包括人脸图像驱动的话者转换与语音合成、基于文本提示的音色属性编辑、统一框架下的多模态驱动话者生成、面向影视场景的配音生成等。

李军锋

中国科学院声学研究所

李军锋，中国科学院声学研究所研究员，博士生导师，中国科学院语言声学与内容理解重点实验室副主任，国家杰出青年基金获得者、优秀青年基金获得者、中国科学院人才计划入选者。研究领域主要包括: 声学信号处理和智能声学等。主持科技委重点项目、国家重点研发计划、973计划、863计划、国家自然科学基金项目以及多项横向项目。在本领域国际权威期刊和会议上发表论文120余篇，出版英文专著1部。部分研究成果已经应用于多个国家重大工程、人机语音交互系统和助听器具等。李军锋研究员是中国声学学会常务理事、中国声学学会语音听觉与音乐声学分会主任委员、中国计算机学会语音听觉与对话专委会常务委员，是本领域国际权威期刊Speech Communication的Subject Editor。

报告题目：复杂场景下的音频跨模态智能：视听融合的空间协同感知技术与应用

报告摘要：人类在感知复杂现实世界时，视觉与听觉往往是高度协同的。随着多媒体技术与具身智能的快速发展，音频跨模态智能（特别是视听融合技术）已成为人工智能领域的前沿热点。视听融合感知旨在打破单一模态的非完备性，利用视听双模态的强关联与信息互补，实现复杂场景下发声目标的精准定位与环境理解。这不仅是机器构建类人感知能力的关键一环，在智能视频监控、人机自然交互以及机器人自主导航等领域也展现出广阔的应用前景。然而，在真实开放的复杂环境中，如何有效利用视觉与听觉实现深度协同，克服混响、多声源以及模态间信息不对称等挑战，仍是当前研究的难点。本报告将围绕视听融合的空间协同感知这一核心任务，系统梳理该领域的最新演进脉络，重点探讨视听联合感知的底层逻辑，以及主流框架在多模态特征表征与时空信息融合上的技术范式，并展望视听跨模态感知未来所面临的新机遇、潜在挑战及演进方向。

钱彦旻

上海交通大学

钱彦旻，上海交通大学计算机学院特聘教授，博士生导师。清华大学博士，英国剑桥大学工程系博士后。教育部长江学者，国家优秀青年基金、吴文俊人工智能自然科学奖一等奖（第一完成人）获得者。有20余年从事智能语音及语言处理、人机交互、模式识别及机器学习的研究和产业化工作经验。在本领域的一流国际期刊和会议上发表学术论文300余篇，Google Scholar引用总数20000余次，申请100余项中美专利，合作撰写和翻译多本外文书籍。6次获得领域内国际权威期刊和会议的最优论文奖，6次带队获得国际评测冠军。

报告题目：音频生成与理解的相关进展

报告摘要：以语音和音频处理为代表的听觉人工技术的发展是目前研究的热点和重点，但在实际技术应用中还存在诸多困难与挑战。本报告将先简要介绍上海交通大学听觉认知与计算声学实验室及其重点研究方向，然后围绕实验室近期在音频理解、生成等方面的最新研究进展与突破，做深入介绍和讨论。

张家俊

中国科学院自动化研究所

张家俊，中国科学院自动化研究所研究员、博士生导师，中国科学院大学岗位教授。主要研究方向为多语言多模态大模型、科学大模型与智能体，获得国家优秀青年科学基金资助，入选中国科协首届青年人才托举工程、中国科学院青年创新促进会优秀会员和北京智源青年科学家，主持科技创新2030一"新一代人工智能"重大项目、中科院"磐石"先导专项项目。出版学术专著2部、译著1部，获得北京市科学技术奖一等奖、首届祖冲之奖年度突出成果奖等。担任中国中文信息学会理事和机器翻译与多语言信息处理专委会副主任。担任Artificial Intelligence、IEEE/ACM T-ASLP和《自动化学报》等期刊的编委，担任CCF-A类国际会议ACL-2026的程序委员会主席。

报告题目：面向高效语音交互的语音词元无损压缩算法研究

报告摘要：语音交互模型通常生成超长且冗余的离散语音词元序列，极大限制了推理效率和交互轮次。一个自然的解决方案是设计更低比特率的语音词元解析器，但可能会引入压缩与质量之间的权衡，并导致现有语音交互模型高昂的替换成本。该报告将介绍一种语音词元序列无损压缩方法，能够在保持原有语音词元解析器和语音解码器不变的前提下，使现有语音交互模型生成无损压缩的语音词元序列。该方法在语音词元序列上引入字节对编码，通过合并后的语音词元扩展模型词汇表，并进行发音与对话适应性训练。在推理阶段，生成的压缩词元在波形合成前会被确定性地还原回原始词元空间。实验和分析表明所提方法在保持语音交互质量的基础上显著提升语音词元的生成效率，并显著改善语音交互的轮次。

赵洲

浙江大学

赵洲，浙江大学计算机学院教授、博士生导师、国家青年人才、科技部2030重点研发计划青年科学家，主持国家自然科学基金联合基金重点、浙江省杰青等项目。主要研究方向为多媒体计算，在国际期刊TPAMI、TIP、TMM和会议ICML、ICLR、CVPR等上发表100余篇论文，谷歌学术引用2.6万+，相关技术被应用于微软、字节、Stability AI、华为等公司，获2025年中国图象图形学学会自然科学一等奖(1/5)、2022年浙江大学竺可桢学院十佳专业导师，连续多年入选"全球前2%顶尖科学家榜单"和"中国高被引学者"，指导的多位学生获华为天才少年奖和浙江大学竺可桢奖学金。

报告题目：跨模态语音生成与交互

报告摘要：语音合成与口语对话系统是人机语音交互的核心，其生成质量、实时性、交互智能性及评测体系是当前研究关键。本报告围绕六大前沿方向展开综述：语音合成层面，介绍长文本语音合成综合基准评测方法、实时因果空间音频声码器，以及无需训练的DiT类模型加速方案；口语对话层面，分析融合模态与口语化特征的对话奖励建模及评测方法，探讨自适应混合后训练优化策略，介绍端到端智能体系统。报告梳理相关技术演进与研究范式，为语音交互领域后续研究及工程实践提供参考。

专题论坛：多模态情感理解与分析

论坛简介

随着大语言模型、多模态学习技术的快速发展，情感计算正从单一模态的识别任务迈向跨模态、深层次、可解释的情感理解新阶段。然而，真实场景中的情感表达往往融合了面部表情、身体姿态、语音语调、生理信号等多种模态信息，如何有效地融合这些异构信号，准确捕捉人类复杂、微妙的情感状态，仍是当前研究面临的核心挑战。本论坛以"多模态情感理解与分析"为主题，聚焦以下关键问题：1）如何从微表情、微动作、面部动作单元等细粒度非语言行为中精准捕捉真实情绪状态？2）如何应对真实场景中普遍存在的模态噪声、缺失与不平衡问题，构建鲁棒的多模态融合框架？3）如何将心理学理论与可解释性融入多模态情感分析，实现面向抑郁、焦虑等障碍情绪的可靠识别？4）多模态大语言模型在情感理解与共情对话生成中展现出哪些新能力，面临哪些新挑战？本论坛旨在汇聚情感计算、计算机视觉、人机交互、心理学等领域的专家学者，共同探讨多模态情感理解的前沿进展、技术瓶颈与应用前景，推动情感智能向更具共情能力、更可信赖的方向发展。

论坛召集人

刘鑫

上海交通大学

刘鑫，上海交通大学长聘副教授，情感计算与智能交互研究中心执行主任。入选上海市海外高层次人才"白玉兰人才计划创新项目"。拥有十余年海外科研与教学工作经历，曾任芬兰拉彭兰塔-拉赫蒂工业大学副教授，并先后在英国帝国理工学院、澳大利亚悉尼大学、芬兰奥卢大学等机构从事科研工作。研究方向为可信情感计算与人机共情。先后主持国家自然科学基金、芬兰科学院、芬兰教育部、芬兰国家IT科学中心、澳大利亚教育部等国内外科研项目。在PAMI、IJCV、CVPR、ICLR等国际top期刊和会议上发表论文80余篇，获批专利20余项。目前担任IEEE Transactions on Multimedia在内的多个国际期刊编委。

连政

同济大学

连政（IEEE/CCF Senior Member），现任同济大学上海自主智能无人系统科学中心副教授。近年来已在情感计算、人机交互、大模型等领域开展一系列研究工作，累计发表论文和专利百余篇，包括IEEE TPAMI, IEEE TNNLS, IEEE TASLP, IEEE TAFFC等顶级期刊和ICML, NeurIPS, ICLR, AAAI, ACM Multimedia, ACL等国际会议，Google Scholar 累计引用 4,800 余次（H-index: 36），入选全球前2%顶尖科学家榜单；作为"多模态高鲁棒细微情感分析关键技术与系统"的主要完成人之一，获得中国电子学会技术发明一等奖；联合清华大学、帝国理工、南洋理工、奥卢大学等情感计算团队，发布了多模态情感识别数据库MER，并围绕该数据库连续三年在 ACM Multimedia 和 IJCAI上组织国际挑战赛和研讨会；现任中国中文信息学会情感计算专委会委员、中国计算机学会语音对话与听觉专委会执行委员、中国图象图形学学会情感计算与理解专委会委员、中国人工智能学会情感智能专委会委员；担任IEEE TAFFC/IEEE TASLP/PR Associate Editor，Information Fusion Area Editor，ACM Multimedia 和 ACL ARR Area Chair，ACM Multimedia 2026 Dataset Co-Chair。

史金钢

西安交通大学

史金钢，西安交通大学软件学院副教授，入选西安交通大学青年拔尖人才、小米青年学者。曾任中国电子科技集团国家工程研究中心工程师，芬兰奥卢大学机器视觉与信号处理中心（CMVS）博士后研究员。主要从事低质视觉重建、情感计算、远程生理信号测量等研究。已在国际期刊和会议上发表学术论文60余篇，作为负责人承担国自然面上、青年基金、国自然国际交流与合作项目以及多项企事业单位委托课题。曾担任ICME、ICPR领域主席，并在ICME、ACM Multimedia等国际会议上组织鲁棒多媒体图像理解和微弱视觉计算相关领域研讨会。当前主要研究方向包括图像复原、情感计算和生物医学信号处理。

报告嘉宾

叶茫

武汉大学

叶茫，武汉大学计算机学院教授、智能科学系主任、国家高层次青年人才，科睿唯安全球高被引科学家。长期从事多模态计算、医学人工智能等领域研究，以第一/通讯作者发表 CCF-A 类论文100余篇，谷歌学术引用 1.8万余次。担任CCF-A类IEEE TIP、IEEE TIFS等期刊编委，CVPR、ICLR、ICML等顶级会议领域主席等学术职务。主持国家重点研发计划、国自科-香港联合基金等科研项目。牵头获中国图像图形学会科技进步一等奖、吴文俊人工智能自然科学二等奖。

报告题目：多模态大模型的情感推理增强

报告摘要：情感理解是实现自然人机交互的重要基础。传统多模态情感理解方法虽能够结合文本、语音与视觉等信息进行建模，并在特定场景下取得一定效果，但整体上仍存在对复杂情感线索挖掘不足、跨场景泛化能力较弱、对模态噪声与冗余信息较为敏感以及可解释性有限等问题。随着多模态大模型的不断发展，情感理解正由传统判别式识别走向融合感知、推理与生成的新范式。围绕这一方向，我们做了以下探索：EmoLLM 通过情感基准构建及提示引导增强了多模态大模型的情感理解能力，SEPM 进一步提升了模型对细粒度情绪线索的感知能力并缓解了视觉冗余干扰，EMO-R3 则从情感推理角度出发增强了模型在复杂情境下的推理能力、泛化能力与可解释性。相关研究表明，多模态大模型正在推动情感理解从传统识别模式迈向更加鲁棒、智能和可解释的新阶段。

赵妍妍

哈尔滨工业大学

赵妍妍，哈尔滨工业大学计算学部长聘教授、博士生导师。省部级高层次人才，加州大学伯克利分校访问学者。研究方向：情感计算、社会计算。近年来主持及参与国家项目多项，发表相关领域的学术论文近百篇。曾获教育部科学研究优秀成果奖一等奖、黑龙江省科技进步一等奖、中国人工智能学会吴文俊人工智能科学技术奖一等奖等。曾多次担任国际国内学术会议的程序委员会主席、领域主席、本地主席等。打造了国内首个面向K12学生群体的情感陪伴大模型"巧板"，以及面向哈工大学生的AI辅导员系统"工小星"。

报告题目：面向人机共情的多模态情感对话技术及应用

报告摘要：随着人工智能向认知与情感维度的深度拓展，构建具备情感理解与表达能力的人机交互系统已成为提升用户体验与社会价值的关键。本报告聚焦于面向人机共情的多模态情感对话技术，围绕"感知-生成-应用"三个核心层次展开系统性探讨。首先，在情感感知层面，研究通过融合文本、语音、视觉等异构信号，解决复杂场景下的情感表征与动态对齐难题，为共情交互奠定认知基础。其次，在对话生成层面，重点突破多模态情感回复的生成机制：针对儿童交互场景，设计图文共情回复生成算法；面向车载环境，研发端侧轻量化模型，在保障实时性的同时实现资源受限设备上的高效部署。最后，在应用拓展层面，探索技术在心理健康领域的迁移价值，构建基于多模态行为分析的抑郁症早期检测系统。报告旨在揭示多模态情感对话技术如何通过层次化创新，推动智能系统在教育陪伴、智能出行及数字医疗等场景中实现更具温度的人机共情。

郭丹

合肥工业大学

郭丹，合肥工业大学计算机学院（人工智能学院）教授、博士生导师。获安徽省2024年杰出青年、安徽省2023年青年拔尖人才。担任中国图象图形学学会多媒体专委会（CSIG-MM）副秘书长，安徽省情感计算与先进智能机器重点实验室常务副主任，安徽省人工智能学会理事，安徽省人工智能学会计算机视觉专委会主任等；主持国家级及省部级项目十余项，包括国家重点研发计划子课题、国家自然科学基金重点项目子课题、国家自然科学基金面上基金/青年基金、安徽省重点研发计划等；担任ACM TOMM、Pattern Recognition、Signal Processing: Image Communication、IET Image Processing等国际期刊编委。主要研究方向为多媒体信息处理，专注于跨媒体推理与问答、视听内容解析、视觉情感计算等研究热点。已发表论文100余篇，包含IEEE TPAMI、IJCV、TIP 等ACM/IEEE 汇刊、CVPR、ICCV、AAAI、ACM MM等 CCF-A 类会议学术论文92篇（一作及通信作者论文55篇）；获得CCF-A/B类国际会议挑战赛（ACM MM和IJCAI等竞赛单元）奖项16项（包括9项亚军，6项亚军，1项季军），教学类指导本科生荣获国际赛事1项，国家级3项，省部级13项，其中包含金银奖/一、二等奖共15项；授权发明专利34项。成果落地应用覆盖军工、教育、司法、纪监等多个行业，为社会治理、平安中国的建设做出重要贡献。

报告题目：细微之处见情绪：微动作驱动的情感分析

报告摘要：情感计算作为智能人机交互的重要基础，其发展对于提升人工智能理解人、服务人的能力具有重要意义。以微表情、微动作、视线和姿态为代表的细粒度非语言行为，能够更真实地反映人的情绪状态与心理活动，是当前以人为中心行为理解领域的重要研究方向。本报告将从研究背景与意义、研究现状与面临挑战、关键技术等方面，介绍微动作驱动的情感理解与行为分析的研究进展与未来趋势。首先，围绕当前人机交互中存在的非语言行为理解不足、微行为捕获精度有限、细粒度情绪解析困难以及多人交互场景复杂性高等问题，系统分析该方向面临的核心挑战；随后，结合相关研究工作，重点介绍在微动作数据集构建、运动放大、微行为感知、视线估计及群体交互分析等方面的探索；最后，展望细粒度行为理解与情感计算在智能交互中的发展趋势与应用前景。

麦思杰

华南师范大学

麦思杰，华南师范大学计算机学院教授、博士生导师，24年博士毕业于中山大学，获中国人工智能学会博士学位论文激励计划（原吴文俊人工智能科学技术奖优秀博士学位论文）提名，并入选斯坦福大学2025年度全球前2%顶尖科学家榜单。现为广东省图象图形学会情感计算专委会副秘书长、IEEE Computer Society广州分会副秘书长、PRICAI 2026会议出版主席，担任ACL ARR系列会议领域主席，以特邀编辑身份在Mathematics (JCR Q1)期刊主持Advanced Algorithms in Multimodal Affective Computing特刊。近年发表第一作者/通讯论文30余篇，其中CCF A类论文10余篇，IEEE/ACM Transactions汇刊论文10余篇，中科院一区Top论文10余篇。谷歌学术引用量超过2400次，其中多篇第一作者论文引用量超过100次/入选ESI高被引论文。

报告题目：多模态情感计算低质量模态鲁棒处理框架研究

报告摘要：多模态情感计算通过融合语言、声学与视觉等异构模态信息，致力于精准解析人类情感、意图与观点，在人机交互、智能客服、心理健康评估等场景中展现出巨大应用潜力。然而，现实世界中的多模态数据普遍存在低质量模态挑战：噪声模态（背景干扰、传感器误差、传输失真）、缺失模态（设备故障、采集中断）、分布外数据与模态不平衡（主导模态掩盖弱势模态语义）等问题严重制约模型鲁棒性与泛化能力，限制其在复杂真实场景中的可靠部署。针对上述挑战，本报告系统梳理了低质量模态数据对多模态情感计算的影响机制，并提出了多种算法协同应对噪声、缺失、分布偏差与不平衡问题。此外，本报告将低质量模态处理技术从传统模型拓展至多模态大语言模型，探索如何在MLLMs框架下有效识别与校正低质量模态，同时保持其强大的语义理解与推理能力，使模型不仅适用于完整模态场景，更能有效处理模态缺失、噪声干扰及分布外数据，显著提升模型在真实复杂环境中的可靠性。

李勇

东南大学

李勇，东南大学副教授，博士毕业于中国科学与计算技术研究所，先后在香港城市大学，新加坡南洋理工大学留学和工作，入选2021年中国图象图形学学会优博及2025年教育部海外引才计划。长期聚焦单/多模态情感计算方面的研究工作，在领域内国际期刊/会议发表论文50余篇（含第一作者IEEE T-PAMI 3篇），作为AI方向负责人执行香港特别行政区"早期阿尔兹海默症患者康复训练范式效果精准评估"研究课题，主持国自然面上项目，蚂蚁集团校企合作项目，智慧医疗及情感陪护机器人项目等，现任中国图象图形学学会优博俱乐部副秘书长。

报告题目：共情智能：从面部原语到多模态协同

报告摘要：共情智能（Empathic AI）是实现人工智能"情智兼备"的核心愿景，而提升模型在复杂场景下的细微情感理解能力仍是当前研究的重难点。本报告立足面部动作单元（AU）这一代表性情感原语，系统阐述AU驱动的多模态情感计算框架：首先，针对跨域分布偏移难题，提出双重对比学习解耦与自适应Dropout机制，并结合渐进式视言交互及语义原型概率建模，实现跨域及身份无关的稳健AU检测；进一步构建解耦式多模态蒸馏、非完备模态扩散生成及层次化解耦蒸馏框架实现多模态情感语义的统一建模与协同增强。本报告尝试构建"原子语义驱动—跨模态关联对齐—多模态统一表征"的技术范式，旨在深度融合情感感知与理解，为迈向具备高可靠情感交互能力的共情智能提供范式参考与实践支撑。

余梓彤

大湾区大学

余梓彤，大湾区大学长聘副教授，国家高层次青年人才，CCF东莞分部秘书长，CSIG生物特征识别专委会副秘书长，GDSIG情感计算专委会主任委员，东莞市智能信息技术重点实验室副主任, 研究方向为微视觉计算。发表Cell子刊、TPAMI等高水平文章50篇，谷歌总引用9400次，获4项国际学术竞赛冠亚军，授权国家发明专利21项。主持国自然优青（海外）/面上/青年项目、CCF-腾讯犀牛鸟项目等。担任国际期刊IEEE TIFS、PR编委和MIR青年编委，获广东省图象图形学会科技进步一等奖（序1）。

报告题目：基于视频的非接触式生命体征监测

报告摘要：微弱视觉信号虽然人眼通常难以察觉，但却蕴含着微妙而关键的信息，能够揭示视觉数据中隐藏的模式。通过应用先进的计算机视觉和表征学习技术，我们可以释放这些信号的潜力，从而更好地理解和解读复杂环境。这种检测和分析细微信号的能力对各个领域都具有深远的影响，例如在情感计算领域，理解人机交互场景下的生命体征变化、微表情和微姿态有助于欺骗检测。本报告将介绍基于面部视频的非接触式生命体征监测的基础模型和方法。

刘峰

上海交通大学

刘峰，目前任职于上海交通大学心理学院，硕士生导师，上海纽约大学访问学者。国际电气电子工程师学会IEEE/中国计算机学会CCF高级会员、中文信息学会CIPS情感计算专委、中国人工智能学会CAAI情感智能专委、中国图象图形学会CSIG情感计算与理解专委。担任BME Frontiers (spj)、Brain-X、CAAI AIR认知与情感计算、Applied Sciences期刊的青年编委。主要研究兴趣在计算心理学、计算精神病学、可计算情感等计算机与心理学交叉学科方向。

报告题目：基于心理学可解释的抑郁、焦虑表情识别技术

报告摘要：孤独、抑郁和焦虑（LDA）等障碍情绪普遍存在，对情绪健康构成重大挑战。传统依赖问卷的评估方法常因受试者能力不足或潜在偏见而受限。本研究提出基于心理学可解释的障碍情绪表情识别技术emoLDAnet，通过分析面部表情和生理信号，利用视频记录的对话检测负面情绪。我们招募50名参与者完成问卷与访谈，全程视频记录其反应。emoLDAnet融合深度学习与机器学习技术识别情绪状态。该系统整合了OCC-PAD-LDA(情绪-心境-障碍情绪)转化模型，通过将面部表情转化为具有心理学意义的数据，提升了AI决策的可解释性。结果表明emoLDAnet在孤独感、抑郁和焦虑检测中表现优异，F1分数均超过80%，肯德尔相关系数均高于0.5，与传统量表具有高度一致性。本研究强调OCC–PAD–LDA模型对提升筛查精度的关键作用，并揭示机器学习分类器对框架性能的显著影响，证实了从心理学可解释性角度提出了即时情绪的检测对长期障碍心境的可预测性。emoLDAnet有望支持大规模情绪健康早期筛查，推动心理健康护理领域的发展。

专题论坛：多模态食品科学智能

论坛简介

食品科学贯穿"从农场到餐桌"的全链条，在保障食品安全、促进人体营养健康、提升感官体验等方面发挥着基础性作用。然而，食品的异构多模态数据特性（涵盖原料高光谱图像、加工过程视频流、食品图像、风味化学结构及感官评价文本等数据）、物质结构复杂性以及跨学科研究属性，共同决定了其作为复杂系统的本质，带来了独特挑战：多模态数据的异构融合、物理-化学-生物变化的交织共存以及跨越多个数量级的多尺度交互（从分子层面的风味化学到宏观层面的食品整体形态）。近年来，以大模型与智能体为代表的AI技术为理解、模拟和预测食品复杂系统提供了前所未有的机遇，推动形成"食品科学智能（AI for Food Science）"新范式。该范式利用AI技术，加速从假设提出、实验设计、数据采集解析到理论发现的全流程科研闭环。其核心在于通过多模态数据与知识的联合驱动方法，发挥AI在非线性拟合与搜索剪枝方面的优势，在营养健康和感官体验等多目标约束下高效逼近全局最优。延续前四届论坛的成果，本届论坛将聚焦AI for Science在食品安全与营养健康领域的创新应用，重点探讨面向营养健康的多模态大模型与智能体、食品大模型基座评估、AI驱动的食品安全、多模态食品学习等议题。通过分享最新研究进展，推动学科交叉融合与产业创新发展。

论坛召集人

闵巍庆

中国科学院计算技术研究所

闵巍庆，中国科学院计算技术研究所副研究员。研究方向为多媒体内容分析和食品计算。在Patterns (Cell Press)、IEEE TPAMI、ICML等主流期刊会议上发表论文80余篇。获领域主流期刊 ACM TOMM 和 IEEE MM 的最佳论文奖。入选北京市杰青，获CSIG青年科学家奖、ACM中国 SIGMM 新星奖及北京市科技进步二等奖。担任领域主流期刊IEEE TMM和Pattern Recognition的编委以及Food Chemistry的客座编委。

房玥晖

中国疾控中心营养与健康所

房玥晖，中国疾控中心营养与健康所副研究员。中国卫生信息与健康医疗大数据学会卫生信息安全与新技术应用专业委员会委员长期从事营养与健康相关研究，在营养健康状况变迁、营养与慢性病、人群膳食模式及健康效应、归因疾病负担等领域，开展观察性研究和政策研究等工作。

翟齐啸

江南大学

翟齐啸，江南大学食品学院副院长、食品科学与资源挖掘全国重点实验室副主任。主要从事益生菌理论与技术、肠道微生物功能挖掘及肠道菌群与功能食品相关研究，国家杰出青年及优秀青年基金获得者，入选农业农村部农业科研杰出人才。近年来以第一作者或通讯作者在Cell Host & Microbe等国际知名学术期刊发表SCI科研论文180篇。荣获国家技术发明奖二等奖、中国专利奖金奖等国家与省部级奖励5项。担任《Food Science and Human Wellness》副主编，《Engineering》和《中国食品学报》编委等职务。

夏丽娟

博世全球IoT@Life战略组合

英国纽卡斯尔大学微电子博士毕业，美国麻省大学访问教授，现任博世全球IoT@Life 战略组合负责人。长期专注于人工智能、物联网与脑机接口等交叉领域，在"端到端系统级创新"与"科研成果产业化"方面具有深厚积累。深度参与由 Wellcome Trust 与 EPSRC 资助的大型国际项目 CANDO（约1300万英镑、30+成员的多机构跨学科团队），并在 IEEE EMBC、ISCAS 等国际顶级会议与期刊发表多项研究成果。在产业实践方面，统筹 IoT 与 AIoT 相关研究方向，推动技术在消费电子与智能家居等业务中的规模化落地。

报告嘉宾

谢云飞

国家级青年人才

国家级青年人才计划入选者，中国工程前沿杰出青年学者，中国检验检测学会青年科技工作者委员会副主任委员,《Engineering》等期刊青年编委，入选"2025全球前2%顶尖科学家榜单"。主要从事食品安全与质量控制方面的研究，主持国家重点研发计划课题等国家级项目9项，以第一/通讯作者在Adv. Mater.等国际著名学术期刊发表论文100余篇，获中国商业联合会科学技术奖特等奖等科技奖励5项。

报告题目：人工智能在食品安全与质量控制中的应用

报告摘要：人工智能技术在食品安全与质量控制、生产效率提升及食品工业智能化发展等方面发挥着关键作用。基于对食品加工在线检测需求的深入分析，我们研发了集成光、声、电、磁等多物理场传感原理的智能检测系统。该系统通过人工智能算法与在线检测装备的深度融合，实现了对食品加工过程中蛋白质、脂肪、水分等关键成分的实时精准监测。该系统可即时识别并修正生产过程中的参数偏差，从而有效保障最终产品的质量稳定性、营养均衡性和口感一致性，在满足行业标准的同时持续提供符合消费者期待的高品质食品。此外，基于生产大数据的人工智能分析平台，为食品企业提供了工艺优化和决策支持的科学依据，有力推动了食品产业向信息化、智能化的转型升级。

马培华

中国农科院

研究方向食品信息学，聚焦深度学习在食品与营养科学中的应用。近5年以第一作者发表顶尖期刊论文23篇（单篇最高IF17.3，累计IF超200）；任国际期刊青年编委、30余个高水平期刊独立审稿人，兼任行业协会职务，参与美国相关基金评审。2014-2018中国农业大学食品质量与安全学士；2018-2022马里兰大学食品科学博士；2025年起任中国农科院研究员、AI X Food实验室主任。

报告题目：AI驱动食品检测实验室从自动化走向无人化

报告摘要：聚焦"AI×食品科学"，致力于构建"单人全自动食品实验室"。研究涵盖智能传感与高通量筛选、AI驱动的多模态分析与物理机理模型，以及"设计-实验-分析-验证"闭环工作流。通过融合协作机器人、边缘计算与食品知识图谱，实现从营养检测、功能因子挖掘到安全预警的端到端自主实验。项目旨在重塑科研范式，推动食品科学向可解释、可预测、可创造方向发展，打造高效、精准、合规的新一代智能研发与质控平台。

张大川

新加坡国立大学

张大川，新加坡国立大学，食品信息与人工智能研究组组长，助理教授，博导。研究关注于开发食物数据体系和数据驱动方法以阐明食物系统的复杂性。在Sci Adv，Bioinformaics，JAFC等期刊发表论文50余篇。兼任npj Science of Food期刊Associate Editor，Journal of Food Science等期刊编委。获国际食品科技联盟青年科学家奖、美国化学学会欧文·西格尔奖、格兰瑟姆基金会Detox 奖、中国科学院院长奖等。

报告题目：食物气味分子图谱赋能生成式香气设计

报告摘要：食品香气来源于多种气味分子的复杂组合，但这些混合物如何形成稳定、可识别的香气特征仍缺乏系统理解。本研究构建了关键食物气味分子图谱 KFO-Atlas，整合2015—2024年文献中报道的2,282个食品香气谱。分析发现，真实食品香气并非由单一分子决定，而是由稀疏且结构化的气味分子组合构成；其中，高频"通用型"分子稳定香气身份，中频分子驱动类别差异，低频分子贡献产品特异性。基于这些规律，我们开发了条件变分自编码器模型，实现面向特定食品类别的香气配方生成。针对100种AI生成的香气配方的盲法感官评价和脑电验证表明，模型可生成具有明确类别感知的香气，与人类感知的一致性达73%。该研究为复杂气味混合物建模和可持续食品风味设计提供了新框架。

靳昊

内蒙古农业大学

靳昊，内蒙古农业大学食品科学与工程学院博士后，现主要从事乳酸菌基因组资源挖掘方面的研究工作。以第一作者身份在Nature Microbiology、Science Bulletin、Gut Microbes等期刊发表SCI论文12篇，论文被引2128次，H指数23。参与建成乳酸菌基因组数据库iLABdb，该工作入选2023年内蒙古自治区十大科技进展。主持国家自然科学基金青年基金（C类）、中国博士后基金面上项目，曾获人社部2023年"博新计划"资助。现任中国食品科学技术学会青年委员会委员。

报告题目：基于基因组大数据的乳酸菌功能挖掘

报告摘要：乳酸菌是重要的微生物战略资源，在食品发酵、健康医疗及农牧业等领域具有广泛应用价值。然而，乳酸菌系统发育关系复杂、菌株间功能差异极大，传统实验方法难以实现系统性高效挖掘，制约了优良菌株的开发利用效率。内蒙古农业大学张和平团队历时三十余年，从全球48个国家采集自然发酵乳制品样品，建成保藏 57,484株乳酸菌的全球最大种质资源库。在此基础上，团队整合自主测序与公共数据库资源，构建了全球最大的乳酸菌基因组数据库iLABdb，收录超过11.8万个高质量基因组。通过基因组大数据挖掘，团队系统解析了乳酸菌在碳水化合物代谢、维生素合成及胁迫耐受等功能基因的多样性分布规律；结合人类肠道微生物组疾病队列数据，鉴定出27种在健康人群中显著富集的乳酸菌物种，为功能性益生菌研发提供了重要靶标。

闵巍庆

中国科学院计算技术研究所

闵巍庆，中国科学院计算技术研究所副研究员。研究方向为多媒体内容分析和食品计算。在Patterns (Cell Press)、IEEE TPAMI、ICML等主流期刊会议上发表论文80余篇。获领域主流期刊 ACM TOMM 和 IEEE MM 的最佳论文奖。入选北京市杰青，获CSIG青年科学家奖、ACM中国 SIGMM 新星奖及北京市科技进步二等奖。担任领域主流期刊IEEE TMM和Pattern Recognition的编委以及Food Chemistry的客座编委。

报告题目：基于LLM智能体的个性化餐食级血糖调控

报告摘要：餐后血糖反应的个体差异，是精准营养与糖代谢管理中的核心难题之一。相同食物在不同个体体内可能引发显著不同的血糖波动，这使得依赖群体平均经验的升糖指数或静态饮食建议，难以真正满足个性化血糖调控的需求。针对这一挑战，我们提出了一个面向个性化餐后血糖调控的统一框架，将生理感知的血糖预测模型与基于LLM的餐食优化智能体有机结合，构建从预测到干预的闭环智能体环路。首先设计了生理感知的血糖预测模型，通过可学习的时序生理吸收衰减模块，对个体的个性化吸收动态进行建模；进一步提出预测驱动的双阶段餐食优化智能体，以血糖预测结果作为显式反馈，对真实餐食组合进行迭代优化。在多个公开数据集上的评估验证了我们方法的有效性。