CSIG武汉会员活动中心“东湖论坛”青年学者分享会（第3期）于2025年4月23日成功举办，该活动由中国图象图形学学会（CSIG）主办，CSIG武汉会员活动中心、CSIG图像视频通信专业委员会、CSIG 青年工作委员会承办。本次论文分享会组委会包括武汉大学王增茂副教授、华中科技大学杨欣教授、华中科技大学周瑜教授，特邀青年学者和优秀博士生做分享报告，包括合肥工业大学刘羽教授、湖南大学佃仁伟教授、华中科技大学博士研究生蒋浩懿、华中科技大学博士研究生程俊达、武汉大学博士研究生梁健和华中科技大学博士研究生朱桂林，报告会在中国图象图形学会视频号、B站、蔻享学术三个直播平台进行同步直播。本次在线学术报告会引起了广泛的关注，共计4500余位专家、学者、工程技术人员通过三个直播平台线上参与了报告会。

本次报告会由王增茂副教授担任主持人。在报告会开场环节，CSIG图像视频通信专业委员会主任刘文予教授致辞。刘文予教授肯定了本次活动的价值和意义，同时表达了对本次汇报专家和优秀研究生的感谢。

图 1 刘文予教授致辞环节

接着，CSIG武汉会员活动中心主席杜博教授致辞。杜博教授首先介绍了中国图象图形学学会武汉会员活动中心的基本情况，接着介绍了会员活动中心成立以来的学术活动举办情况，同时提出要着力打造具有地方特色的"东湖论坛”等学术交流活动。最后，杜博教授对活动的预期效果表达了殷切期盼。

图 2 杜博教授致辞环节

在报告环节，第一位嘉宾合肥工业大学刘羽教授围绕“多模态医学图像融合方法及应用”展开介绍。刘羽教授介绍多模态医学图像融合可以综合不同模态源图像包含的互补信息，生成能够更加全面描述场景的融合图像，进而帮助人或机器进行决策。刘羽教授透彻分析了前期研究工作，引出存在的不足和科学问题。随后，刘羽教授介绍了他们在基于深度学习的医学图像融合方法和精准识别方面的研究，在脑肿瘤分割等医学影像分割任务中取得了显著的性能效果。

图 3 刘羽教授报告环节 

随后，第二位嘉宾湖南大学佃仁伟教授围绕“高光谱融合成像“展开介绍。佃仁伟教授分析了扫描式、直接快照式和编码快照式成像技术的不足，表明了高光谱融合成像的价值和意义。接着，佃仁伟教授介绍了其在高质量高光谱融合成像方面的研究成果。随后佃仁伟教授介绍了相关成果取得的重要应用，包括增加高分七号卫星图像分辨率、研制高分辨率高光谱相机等。最后，佃仁伟教授介绍了解决解决数据结构差异大、明确成像机理等未来研究方向。

图 4 佃仁伟教授报告环节

第三位嘉宾华中科技大学博士研究生蒋浩懿介绍了其工作：GaussTR: Foundation Model-Aligned Gaussian Transformer for Self-Supervised 3D Spatial Understanding。该工作针对自动驾驶和具身智能中的3D空间理解任务，提出了一种基于基础模型对齐的高斯Transformer模型GaussTR，采用3D高斯表示构建自监督闭环。在推理阶段通过视觉-语言基础模型的跨模态一致性实现零样本推理，提升了模型在未见类别上的泛化能力。实验结果表明方法在提升性能的同时，加速了收敛。

图 5 博士研究生蒋浩懿报告环节 

第四位嘉宾华中科技大学博士研究生程俊达介绍了其工作：MonSter: Marry Monodepth to Stereo Unleashes Power。该工作提出高效融合单目深度估计的结构先验和双目立体匹配的几何约束来提升深度估计。所提方法采用双分支架构，共享特征提取网络，并引入单目引导增强模块和立体引导对齐模块，使单目和双目深度信息相互校正，从而在保持计算效率的同时提高精度。实验表明，该方法在KITTI等基准测试中性能领先，在反光区域和边缘区域都得到提升，展现出优异的泛化能力。

图 6 博士研究生程俊达报告环节 

第五位嘉宾武汉大学博士研究生梁健介绍了其工作：LoRASculpt: Sculpting LoRA for Harmonizing General and Specialized Knowledge in Multimodal Large Language Models。该工作提出了一种针对多模态大语言模型的高效微调框架，该工作提出了两个核心创新：1）提出LORA参数稀疏化构建，在理论保证下，将稀疏更新引入参数微调中，实现冗余参数动态去除；2）知识协同的正则约束，利用预训练参数幅度引导任务知识注入非关键位置，缓解优化冲突。实验表明，提出方法在通用任务和下游任务中均优于对比方法。

图 7 博士研究生梁健学术报告环节 

第六位嘉宾华中科技大学博士研究生朱桂林介绍了其工作：Adaptive Prototype Replay for Class lncremental Semantic Segmentation。该工作针对类增量语义分割任务提出了一种自适应原型重放方法，包括三个核心模块：1）通过自适应偏差补偿来动态调整旧类原型以匹配更新后的模型特征；2）不通过优化确定性约束损失过滤高不确定性预测区域，增强原型紧凑性；3）通过优化原型判别损失拉大新旧类原型距离提升类别区分度。实验表明，所提方法在多个场景下优于现有方法，尤其在多步骤增量中保持更高mIoU。 

图 8 博士研究生朱桂林学术报告环节