近日，我院青年教师在人工智能研究领域取得重要进展，王泽宇博士与引进博士刘宇的三项成果被人工智能领域国际顶级学术会议AAAI 2026录用。其中，王泽宇博士以第一作者身份发表的两篇论文均聚焦多源图像融合研究，其中一篇获评“口头报告”（Oral）；刘宇博士以第一作者身份发表论文一篇，聚焦中文信息的汉字字形领域，获评“口头报告”（Oral）。AAAI作为中国计算机学会推荐的A类国际会议，是人工智能领域历史最悠久和影响力极高的顶级学术会议，本届会议录用率仅17.6%，相关成果的取得彰显了我院在人工智能前沿领域的科研实力与创新活力。

成果一：打破任务壁垒，医学图像融合与分割实现统一建模

在题为“Breaking Task Boundaries: A Unified Model for 3D Medical Image Fusion and Segmentation Guided by Manifold Perspective”的研究中，王泽宇博士针对三维医学图像融合与分割任务难以协同优化的核心挑战，提出了名为M²-CoFS的统一模型。该研究的创新之处在于，开创了“网络引导网络学习”的新范式。其核心思想是将两个任务的网络权重空间建模于统一的高维流形之上，并通过一个轻量级网络隐式构建共享流形，从而生成能同时适配融合与分割任务的统一权重。实验结果表明，该方法在两项任务上均展现出卓越的性能。该论文将以口头报告形式在大会上展示。

成果二：构建自监督新范式，破解图像融合数据瓶颈

在题为“SigFusion: Unified Signal-Level Self-Supervised Learning Paradigm for Image Fusion”的论文中，王泽宇博士致力于解决图像融合领域大规模真实训练数据匮乏的共性难题，提出了一个统一的信号级自监督学习范式。其核心是构建了信号级伪标签生成网络，能够从海量未标注的自然图像中自动合成具有高度真实性的训练数据与伪标签，从而有效弥合了合成数据与真实应用之间的域差异。网络包含两大关键组件：一是可学习的一维信号调制器，用于学习并嵌入隐式信号模式；二是全新的SigFormer架构。方法遵循“分解-重建”的经典范式，具备优异的通用性与灵活性，可作为骨干网络轻松迁移至多种图像融合任务，大量实验验证了该范式在多个任务上的领先性能。

成果三：创新字形生成机制，提升空中书写的可读性与个性化

在题为“Gracefully Air-Written: Enhancing the Legibility and Style Consistency of In-Air Handwriting”的研究中，刘宇博士针对VR和AR设备中的空中书写字体可读性差、个人风格缺失的核心问题，提出基于连续扩散模型的离散轨迹重建方法，研究中创新策略包括：反向去噪并在连续高斯噪声域中学习可微表示，采样末端对噪声空间进行伯努利式划分，采用2阶段重建，在内容保持阶段引入基于参考序列的部分噪声注入以锁定笔迹内容，在风格聚合阶段自适应融合轨迹序列与图像双模态风格。该论文将以口头报告形式在大会上展示。

近年来，我院坚持以学科建设为引领，抢抓人工智能发展的历史机遇，注重高水平人才引育工作与高质量成果产出导向，提升了学院干事创业氛围与持续创新能力，为推动学院事业全面高质量发展赋能。今后，学院将持续优化青年教师成长环境，巩固高水平青年人才引育成效，积极融入国家“十五五”规划战略布局，为以人工智能推动现代化产业体系升级和科技创新贡献更大力量。