【CSIG青年科学家会议2026论坛介绍】视觉基础模型论坛

高广谓，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，博导。研究方向为端侧智能视觉感知与理解。主持和参与国家自然科学基金、江苏省自然科学基金、科技创新2030-“新一代人工智能”重大专项等多项课题。在国际权威期刊IEEE TPAMI/TIP/TMM、IJCV以及权威国际会议CVPR、ACMMM等发表论文70余篇，ESI高被引论文6篇。江苏省“六大人才高峰”高层次人才，获江苏省科学技术奖一等奖（7/11）1项，指导研究生获2024年江苏省优秀专业学位硕士学位论文奖1项，入选斯坦福大学发布的2025年度全球前2%顶尖科学家年度榜单。IEEE/CCF/CSIG/CAAI /CAA高级会员，国际期刊Pattern Recognition (CCF-B)和IEEE Transactions on Image Processing (CCF-A)编委，中国图象图形学学会青工委委员，VALSE 执行AC。

胡玮，北京大学王选计算机研究所长聘副教授、研究员，国家级青年人才，北京大学博雅青年学者。研究方向为三维视觉，包括三维生成和理解。在国际权威期刊IEEE TPAMI/TIP/TMM、IJCV以及国际知名会议CVPR、ICCV、ICLR、NeurIPS等发表论文100余篇，获得计算机视觉国际顶级会议CVPR 2021年度最佳论文提名、2020-2021年IEEE Multimedia Rising Star Award（Honorable Mention Award）、多媒体领域国际旗舰会议ICME 2020年度Best Student Paper Runner Up Award和2021年北京市科学技术进步二等奖。担任国际顶级期刊IEEE Signal Processing Magazine编委、国际旗舰会议ICME 2026程序委员会主席（TPC Co-Chair）。

报告摘要

当前，跨模态视觉生成方法普遍面临特征耦合的共性挑战，导致生成过程可控性弱、内容精准度低。特征解耦将原始数据中混杂的特征分解为相关性低且具有明确语义的潜在特征，为实现精准可控的视觉生成提供了有效途径。本报告重点介绍针对跨模态生成过程构建的“模态对齐解耦-语义增补解耦-时空表征解耦”方法体系。首先，将跨模态输入中的耦合语义拆解至不同粒度的语义子空间，实现对象、属性、关系等多层次独立解耦生成；其次，在潜在表征空间中引入外部知识，增强表征解耦能力；最后，通过时-空表征解耦，实现运动过程与空间结构的独立控制与连贯生成。该体系为细节可控、高效灵活的跨模态视觉生成提供了系统化支撑。

论坛讲者简介

鲍秉坤，合肥工业大学计算机与信息学院院长，教授，博士生导师，国家杰出青年科学基金获得者。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。主持国家科技创新2030-“新一代人工智能”重大项目、国家自然科学基金重点项目、江苏省重点研发计划等。荣获第十九届江苏省青年科技奖、江苏省青年女科学家奖、2018年度电子学会科学技术（自然科学类）一等奖。获ACM TOMM年度最佳论文奖。担任IEEE TMM、TCSVT、ACM TOMM、MMSJ等期刊编委。

报告摘要

图像视频大数据智能分析与识别在多种实际应用中具有至关重要的作用，比如工业生产、瑕疵检测、无人驾驶等。为此，我们研究了开放环境下视觉异常检测问题，主要介绍面向视觉异常检测的特征学习、语义分割以及异常检测等，提出了基于块对角结构的特征学习方法与特征选择方法，协同分析通道上下文和空间上下文的语义分割模型，基于特征蒸馏学习、分区记忆、自监督分割引导和非对称蒸馏分割的异常检测方法，进而介绍可控文生图的增强-控制-蒸馏模型、反演适配器、风格迁移模型等，最后介绍一些相关的实际应用情况。

论坛讲者简介

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，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。

报告摘要

In this talk, I will introduce two recent advances in medical foundation models in CAIR. One is the surgical LLM for surgical video understanding. By integrating the spatial focus and temporal awareness, a versatile large multimodal model is trained, which supports multiple tasks simultaneously. In the second part, I will introduce the EchoCare ultrasound large foundation model which are trained from more than 4,500,000 images. It achieves the state-of-the-art performance on 10+ medical downstream tasks with an average improvement of 3% to 5% over existing methods.

论坛讲者简介

雷震，男，博士，IEEE Fellow，IAPR Fellow，AAIA Fellow。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，中国科学院大学人工智能学院岗位教授，中国科学院香港创新院人工智能与机器人研究中心教授，博士生导师，IEEE生物识别委员会（IEEE Biometric Council）杰出讲者。主要研究方向为视频分析与理解，多模态大模型，生物特征识别，发表论文200余篇，Google Scholar文章引用次数40000余次，H-index: 92，爱思唯尔中国高被引学者(2020-2024)，入选全球前2%顶尖科学家榜单。

报告摘要

手语作为一种视觉语言，具备词汇、语法及语用层面的丰富结构，是聋人群体日常沟通与信息获取的核心工具。手语视频理解与生成的目标是建立手语视频与其对应的语义文本之间的双向映射关系，从而有效打通听人与聋人之间的沟通壁垒，推动信息无障碍环境的构建。本报告将系统分析当前手语视频理解与生成所面临的主要技术挑战，并重点介绍我们近期在手语视频翻译（如从手语视频到口语文本的端到端识别与翻译模型）和手语视频合成（如基于文本或语义标签生成逼真、连贯手语动作的生成模型）两个方向上的研究探索。此外，结合真实应用场景，展示我们在智能手语系统方面的落地尝试。

论坛讲者简介

周文罡，中国科学技术大学教授，人工智能学院副院长，国家“优秀青年基金”获得者。主要研究方向为计算机视觉、具身人工智能和机器博弈。发表CCF A类论文100余篇，Google学术总引用2.8万次。担任国际期刊IEEE TMM编委。主持科技部重大项目课题、国家基金委联合基金重点项目等。曾获吴文俊人工智能科技进步一等奖、中科院优秀导师奖等，连续6年（2020~2025）入选斯坦福全球前2%科学家，入选中科院青促会优秀会员、中国科协青年人才托举工程。培养博士生获中科院优秀博士学位论文奖（2人次）、中国图象图形学学会优秀博士学位论文奖。