近日，以云南大學(xué)軟件學(xué)院為第一完成單位的5項研究成果獲人工智能領(lǐng)域國際高水平會議/期刊錄用。其中，2項圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域研究成果被A類國際學(xué)術(shù)會議AAAI’2025和IJCAI’2025錄用，3項圖像處理領(lǐng)域研究成果被中科院1區(qū)TOP國際期刊Information Fusion、Expert Systems With Applications以及Engineering Applications of Artificial Intelligence錄用，體現(xiàn)了學(xué)院在圖神經(jīng)網(wǎng)絡(luò)、圖像處理前沿領(lǐng)域的科研實力和應(yīng)用潛力。成果簡要情況如下。

一、圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域成果

與卷積神經(jīng)網(wǎng)絡(luò)（CNN）和自注意力網(wǎng)絡(luò)的基礎(chǔ)地位（TRANSFORMER）相似，圖神經(jīng)網(wǎng)絡(luò)（GNN）是當(dāng)前人工智能領(lǐng)域最重要的基礎(chǔ)網(wǎng)絡(luò)之一，針對處理網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)，廣泛應(yīng)用在知識圖譜、大數(shù)據(jù)分析、社交推薦、藥物預(yù)測、蛋白質(zhì)分析、大語言模型等重要下游應(yīng)用領(lǐng)域中，并取得了諸多里程碑式成果。此次兩項成果NoiseHGNN和GCTAM，針對實現(xiàn)世界圖數(shù)據(jù)中可能存在的噪聲和異常進(jìn)行了建模研究，提出了新穎的處理識別方法，能夠有效排除圖數(shù)據(jù)中的噪聲和發(fā)現(xiàn)圖節(jié)點(diǎn)的異常，為知識圖譜構(gòu)建、社交推薦、大數(shù)據(jù)分析等下游任務(wù)，提供了很好的基礎(chǔ)模型支持。

NoiseHGNN: Synthesized Similarity Graph-Based Neural Network For Noised Heterogeneous Graph Representation Learning

現(xiàn)實的圖（Graph）網(wǎng)絡(luò)數(shù)據(jù)環(huán)境本質(zhì)上存在噪聲（例如鏈接和結(jié)構(gòu)錯誤），這不可避免地會影響圖表示和下游學(xué)習(xí)任務(wù)的效果。現(xiàn)有的噪聲圖神經(jīng)網(wǎng)絡(luò)僅適用于同構(gòu)圖，難以擴(kuò)展至更為復(fù)雜和常見的異構(gòu)圖場景中。為此，本項研究提出了一種新穎的基于相似度合成的圖神經(jīng)網(wǎng)絡(luò)方法，能夠適應(yīng)含噪的異構(gòu)圖學(xué)習(xí)任務(wù)。具體而言，利用節(jié)點(diǎn)的原始特征，構(gòu)建了一個基于相似度的高階圖；引入一個相似度感知編碼器進(jìn)行圖表征；采用同步監(jiān)督學(xué)習(xí)和結(jié)構(gòu)對比學(xué)習(xí)來優(yōu)化模型。在多個真實世界數(shù)據(jù)集上的廣泛實驗表明，該方法在含噪異構(gòu)圖學(xué)習(xí)任務(wù)中達(dá)到了最新的先進(jìn)水平。在多個圖噪聲數(shù)據(jù)集上，相比此前的SOTA方法，本方法提升了5%到6%的準(zhǔn)確率。

GCTAM: Global and Contextual Combined Truncated Affinity Maximization Model For Unsupervised Graph Anomaly Detection

現(xiàn)有基于局部親和力的圖異常檢測方法，通過使用固定閾值來截斷可疑節(jié)點(diǎn)，這種方法不可避免地導(dǎo)致正常和異常節(jié)點(diǎn)之間的無效截斷，限制了異常檢測的有效性。針對這一問題，本研究提出了一種結(jié)合上下文親和度與全局親和度的新型截斷模型，用于更精準(zhǔn)地識別異常節(jié)點(diǎn)。其核心思想是利用上下文截斷來降低異常節(jié)點(diǎn)的親和力，而全局截斷則增加正常節(jié)點(diǎn)的親和力。在真實數(shù)據(jù)集上的大量實驗表明，該方法在大多數(shù)圖異常檢測任務(wù)中優(yōu)于同類方法。尤其是在兩個著名的真實數(shù)據(jù)集（Amazon 和 YelpChi）中，相比之前最先進(jìn)的方法，本方法在AUROC上提高了15%到20%。

二、圖像處理領(lǐng)域成果

計算機(jī)視覺作為人工智能的重要分支，在安防監(jiān)控、自動駕駛、醫(yī)療影像分析、工業(yè)檢測、遙感測繪等眾多下游應(yīng)用領(lǐng)域發(fā)揮著關(guān)鍵作用，并取得了令人矚目的成績。云南大學(xué)軟件學(xué)院的3項圖像處理研究成果，分別針對遙感圖像的融合、超分及彩色化任務(wù)，以及全切片病理圖像分類任務(wù)中的關(guān)鍵問題提出了創(chuàng)新方法，為相關(guān)應(yīng)用的發(fā)展提供了有力支持。

A pan-sharpening model using dual-branch attention-guided diffusion networks

盡管大多數(shù)當(dāng)前的全色銳化方法在提取單一模態(tài)圖像特征方面表現(xiàn)出色，但在捕捉跨模態(tài)圖像的全局聯(lián)合分布方面存在局限性。為了解決這一問題，本研究提出了一種新穎的全色銳化模型——雙分支注意力引導(dǎo)擴(kuò)散網(wǎng)絡(luò)。該模型引入了擴(kuò)散模型，能夠有效地重建圖像的潛在分布。擴(kuò)散分支在去噪過程中捕捉全色（PAN）和多光譜（MS）圖像的全局聯(lián)合特征，構(gòu)建高分辨率多光譜（HRMS）圖像的跨模態(tài)分布。同時，注意力引導(dǎo)分支通過多尺度卷積密集連接模塊和改進(jìn)的注意力機(jī)制，增強(qiáng)PAN和MS圖像的高頻細(xì)節(jié)和局部特征。在WorldViewII、QuickBird和Maryland數(shù)據(jù)集上的實驗結(jié)果證實了該研究在性能上優(yōu)于現(xiàn)有的先進(jìn)方法。

SR_ColorNet: Multi-path attention aggregated and mask enhanced network for the super resolution and colorization of panchromatic image

現(xiàn)有研究中，當(dāng)僅輸入全色圖像時，獲取高空間分辨率彩色圖像面臨嚴(yán)峻挑戰(zhàn)：圖像超分辨率（SR）模型可提升空間分辨率但無法改善光譜分辨率，圖像著色模型可增強(qiáng)光譜分辨率卻無法提升空間分辨率。本研究創(chuàng)新性地將全色圖像的空間分辨率恢復(fù)和光譜恢復(fù)集成于同一模型中同步完成，提出一種基于Transformer與卷積神經(jīng)網(wǎng)絡(luò)協(xié)同架構(gòu)的多路徑網(wǎng)絡(luò)（SR_ColorNet），用于全色圖像分辨率恢復(fù)。采用多路徑特征提取，并設(shè)計超分辨率Transformer模塊專注于空間信息恢復(fù)；ECA通道混合模塊（ECMB）實現(xiàn)重要特征信息的保留與傳遞；并在最后的特征重建階段設(shè)計了掩碼特征增強(qiáng)模塊（MFE）強(qiáng)化特征表達(dá)能力。實驗表明，SR_ColorNet在遙感圖像的分辨率恢復(fù)任務(wù)中均展現(xiàn)出優(yōu)越性能，其客觀指標(biāo)與視覺質(zhì)量顯著優(yōu)于SOTA方法。

Pseudo-label attention-based multiple instance learning for whole slide image classification

全切片病理圖像（WSI）因其在病理診斷中的重要作用而備受關(guān)注。然而，WSI的超高分辨率和弱監(jiān)督標(biāo)簽形式讓深度學(xué)習(xí)模型在處理時面臨諸多難題，包括關(guān)鍵病灶區(qū)域難以聚焦、背景噪聲干擾嚴(yán)重以及正負(fù)樣本數(shù)量不均衡等問題。盡管多實例學(xué)習(xí)（MIL）方法已被廣泛應(yīng)用于這一領(lǐng)域，但現(xiàn)有方法在面對復(fù)雜病理圖像時仍存在顯著局限。為了解決這些挑戰(zhàn)，研究團(tuán)隊提出了一種全新的偽標(biāo)簽注意力多實例學(xué)習(xí)方法（Pseudo-label Attention-based Multiple Instance Learning, PAMIL）。PAMIL 通過整合偽標(biāo)簽生成機(jī)制和實例注意力策略，以動態(tài)加權(quán)的方式增強(qiáng)模型對關(guān)鍵病灶區(qū)域的聚焦能力，從而顯著提升圖像分類的整體性能。具體來說，該方法以全視野圖像為輸入，將其切片成多個圖像塊，通過自監(jiān)督預(yù)訓(xùn)練的特征提取模塊生成初始特征，并利用偽標(biāo)簽生成模塊篩選出具有代表性的正負(fù)樣本實例。隨后，實例注意力機(jī)制通過構(gòu)建注意力矩陣對樣本進(jìn)行加權(quán)，突出高權(quán)重區(qū)域并抑制背景噪聲，最終通過微調(diào)策略進(jìn)一步增強(qiáng)模型的泛化能力。

AAAI和IJCAI是人工智能領(lǐng)域歷史最悠久、內(nèi)容覆蓋最廣、學(xué)術(shù)認(rèn)可度最高的國際頂級會議之一，是中國計算機(jī)學(xué)會（CCF）推薦的A類國際學(xué)術(shù)會議。Information Fusion Expert Systems With Applications以及Engineering Applications of Artificial Intelligence均為中科院1區(qū)TOP期刊。

軟件學(xué)院將繼續(xù)深化圖智能技術(shù)和神經(jīng)網(wǎng)絡(luò)架構(gòu)與地方經(jīng)濟(jì)社會發(fā)展之間的融合應(yīng)用，通過加強(qiáng)與科研院所、產(chǎn)業(yè)機(jī)構(gòu)的協(xié)同創(chuàng)新機(jī)制，努力將圖神經(jīng)網(wǎng)絡(luò)、圖異常檢測、圖像處理等領(lǐng)域關(guān)鍵技術(shù)應(yīng)用于數(shù)字邊疆治理、綠色能源管理、智慧農(nóng)業(yè)與公共安全等重點(diǎn)場景，助力打造面向東南亞輻射中心的智能計算科研高地，為云南和區(qū)域科技發(fā)展注入持續(xù)動能。

來源：云南大學(xué)軟件學(xué)院