2024年以来，计算学部视觉与信息处理团队连续在顶级期刊发表高水平论文，相关研究工作简介如下：

研究成果一：

《Co-Enhancement of Multi-modality Image Fusion and Object Detection via Feature Adaptation》在模式识别领域国际顶级期刊《IEEE Transactions on Circuits and Systems for Video Technology》（简称TCSVT）上发表。该论文第一作者为董爱美副教授，通讯作者为吕国华副教授，王龙（团队硕士生）、徐静远（团队硕士生）、刘健（团队硕士生）、赵桂新博士、翟翌博士和成金勇副教授为合作作者，齐鲁工业大学（山东省科学院）计算机科学与技术学部为第一单位。

该研究工作提出了一种相辅相成、双任务驱动的融合架构（称为Co-FAFusion）。具体来说，Co-FAFusion的设计将特征自适应互连模块集成到图像融合和对象检测任务中，有效地管理固有的特征差异。核心思想是在特征转换后将来自两个任务的不同特征引导到一个统一的特征空间中。然后，Co-FAFusion设计了一个特征自适应选择模块，以生成具有丰富目标语义信息并与融合网络兼容的特征。最后，通过交替的训练过程实现两项任务的有效结合和相互增强。Co-FAFusion在融合有效性和检测准确性方面实现了明显的增幅。

《IEEE Transactions on Circuits and Systems for Video Technology》 是中科院一区TOP期刊，国际电气与电子工程师协会（IEEE）推荐的T1级期刊，主要聚焦于视频技术及其相关电路与系统领域的最新研究进展和技术创新。在视频处理与压缩、图像分析与理解、多媒体系统设计以及硬件实现等方面具有重要影响力，是该领域内的权威学术期刊。

研究成果二：

论文《HaIVFusion: Haze-free Infrared and Visible Image Fusion》在自动化领域顶级期刊《IEEE/CAA Journal of Automatica Sinica》上发表。该论文第一作者为团队硕士生高翔，通讯作者为吕国华副教授，高永标博士、董爱美副教授和成金勇副教授为合作作者，齐鲁工业大学（山东省科学院）计算机科学与技术学部为第一单位。

该研究工作在图像融合领域首次针对雾霾这一特定环境挑战，提出了一种用于雾霾场景的红外与可见光图像融合算法HaIVFusion，实现了红外与可见光图像的高效融合，不仅有效应对了雾霾造成的视觉障碍，还显著提升了融合图像的清晰度和细节表现力。HaIVFusion通过联合大气散射物理模型与注意力网络机制挖掘可见图像中被遮挡的纹理信息，同时，构建去噪融合网络将红外和可见光图像提取的特征融合在一起，尽可能地去除残余噪声的影响。此外，该方法使用颜色一致性损失来减少由雾霾引起的颜色失真。

IEEE/CAA Journal of Automatica Sinica入选中国科技期刊卓越行动计划世界一流重点建设期刊，是中科院一区TOP期刊，最新影响因子为15.3，在JCR自动化与控制领域的85本期刊中排名全球第一。

研究成果三：

《SIGFusion: Semantic Information Guided Infrared and Visible Image Fusion》在测量领域国际顶级期刊《IEEE Transactions on Instrumentation & Measurement》（简称TIM）上发表。该论文第一作者为吕国华副教授，通讯作者为成金勇副教授，司马超群（团队硕士生）、高永标博士、董爱美副教授和山东科技大学马光晓博士为合作作者，齐鲁工业大学（山东省科学院）计算机科学与技术学部为第一单位，山东科技大学为合作单位。

该研究工作提出了一种基于显著目标增强的红外与可见光图像融合方法（简称为SIGFusion），在提升融合图像质量和后续视觉任务的表现方面表现优异。SIGFusion通过结合目标检测网络和基于目标的自注意力机制，专注于提升图像中显著目标的融合质量，有效克服了单源图像表现不佳的问题。同时，通过提升图像中显著目标区域的细节表现，从而增强了后续高级视觉任务如目标检测和语义分割的性能。该方法具有广泛的应用前景，尤其在涉及高要求图像处理的领域。

《IEEE Transactions on Instrumentation & Measurement》是中科院二区TOP期刊，中国仪器仪表学会（CIS）推荐的T1级期刊，主要聚焦于仪器仪表、测量技术及相关应用领域的最新研究进展和技术创新。在精密测量、传感器技术、数据采集与处理等方面具有重要影响力，是该领域内的权威学术期刊，广泛受到全球研究人员和工程师的高度关注。

     研究成果四：

《MFIFusion: An infrared and visible image enhanced fusion network based on multi-level feature injection》在模式识别领域国际顶级期刊《Pattern Recognition》（简称PR）上发表。该论文第一作者为董爱美副教授，通讯作者为赵桂新博士，王龙（团队硕士生）、刘健（团队硕士生）、吕国华副教授和成金勇副教授为合作作者，齐鲁工业大学（山东省科学院）计算机科学与技术学部为第一单位。

该研究工作提出一种基于图像分解模型的多级特征注入方法，用于红外和可见光图像融合（称为MFIFusion）。MFIFusion引入了一个注意力引导的多级特征注入模块，旨在减轻图像尺度分解过程的特征提取阶段的信息损失。所提出的方法在编码器网络中集成了多个融合分支，并采用注意力机制来指导特征融合过程。另一方面，基于浅表特征保留图像细节信息、深层特征更适合从图像中提取语义信息的特点，MFIFusion在这两个阶段使用不同的融合策略来自适应地控制显著目标的强度分布，并保留背景区域的纹理信息。这种融合策略增强了模型的针对性和泛化性，从而改善了融合图像的整体特征表示。

《Pattern Recognition》是中科院一区TOP期刊，主要侧重于模式识别及其应用领域的最新研究成果和技术进展。该期刊涵盖的主题广泛，包括图像处理、计算机视觉、机器学习、数据挖掘、文本分析和生物特征识别等领域。作为该领域的权威刊物，《Pattern Recognition》在算法设计、模型优化、系统实现及实际应用等多方面具有重要影响力。该期刊吸引了全球范围内研究人员和工程师的高度关注和积极投稿，为模式识别技术的发展和创新提供了重要平台。

计算学部视觉与信息处理团队近年来在计算机视觉、人工智能等相关领域不断开拓创新，通过开展高质量科学研究取得了一系列重要成果。同时，团队在人才培养方面持续深耕，在加强研究生培养的同时，注重吸纳优秀本科生进入课题组。团队学生成果丰硕，部分硕士生顺利进入北京理工大学、东南大学等国内一流大学攻读博士，本科生进入南洋理工大学、格拉斯哥大学、华中农业大学等国内外知名院校攻读硕士。

今后，视觉与信息处理团队将继续围绕学部重点工作凝心聚力、砥砺前行，为谱写计算学部、校（院）高质量发展新篇章不断贡献力量。