近日，学院3篇论文被计算机视觉顶级会议ICCV2025（ICCV 2025, International Conference on Computer Vision）接收。会议将于2025年10月19日至25日在美国夏威夷举行。ICCV是由IEEE主办的顶级会议之一，与计算机视觉模式识别会议(CVPR)和欧洲计算机视觉会议(ECCV)并列为计算机视觉领域的三大顶级会议，中国计算机学会CCF推荐的A类会议。ICCV每两年举办一次，被公认为三大会议中级别最高的会议。
        论文《Exploiting Vision Language Model for Training-Free 3D Point Cloud OOD Detection via Graph Score Propagation》（作者：Tiankai Chen, Yushu Li, Adam Goodge, Fei Teng, Xulei Yang, Tianrui Li, Xun Xu）以西南交通大学为第一署名单位，李天瑞教授团队的博士生陈天楷作为第一作者，与华南理工大学、新加坡科技研究局A*STAR合作完成。本文提出了一种免训练的图分数传播框架（GSP），通过提出图传播机制，构建ID文本原型（+1分）与测试样本（0分）的KNN图；通过迭代传播利用数据流形增强OOD评分，替代传统余弦相似度计算；对每类文本提示进行K-means聚类​，以簇中心作为多模态原型，提升语义覆盖；最后提出基于自训练负提示生成框架。实验在5个点云数据集验证了有效性：零样本场景下ScanObjectNN的AUROC达78.6%（超越ULIP2 5.4%），悉尼城市场景提升9.1%；少样本场景（5-shot）AUROC 86.6%，优于全监督方法3%。消融实验显示提示聚类与负提示各贡献约1% AUROC提升，特征可视化证实ID/OOD特征分离更显著。

基于图分数传播进行免训练的OOD检测框架

        论文《基于双速率动态教师的无源域自适应目标检测》（作者：Qi He，Xiao Wu, Jun-Yan He, Shuai Li）以西南交通大学为第一署名单位，吴晓教授团队的博士生何琦为第一作者，与美团、香港理工大学合作完成。论文提出了一种基于异步指数滑动平均的双速率动态教师，能够同时快速适应新域知识和保留历史知识。与传统指数滑动平均同步更新所有参数不同，该方法根据教师参数对拟合目标域偏移的贡献度，动态地将教师参数解耦为两个功能组。通过对这些参数组应用不同的平滑系数，能够有效缓解适应性与稳定性的平衡困境。综合实验表明，该方法明显优于目前最先进的方法。

基于双速率动态教师的无源域自适应目标检测框架

        论文《Learning Normals of Noisy Points by Local Gradient-Aware Surface Filtering》（作者：Qing Li，Huifang Feng，Xun Gong，Yu-Shen Liu）以西南交通大学为第一署名单位，龚勋教授团队的特聘副研究员李庆老师为第一作者，与清华大学、西华大学合作完成。论文通过局部梯度感知的表面滤波方法来重建表面和估计法线。所提出的方法不依赖干净的标注数据，而是从隐式函数出发，将点云投影到光滑表面上，并结合局部法线方向、有向距离场和梯度一致性进行滤波。在这个过程中，本文设计了一个距离测量算子，它能够帮助算法在噪声数据上实现全局表面拟合，并有效保留几何细节。同时，本文引入了一个基于隐函数的场滤波策略，使得表面重建和法线估计过程更加鲁棒和精准。为了验证方法的有效性，本文在三个典型任务上进行了评估：法线估计、表面重建和点云去噪。大量的对比实验结果表明，本方法在噪声条件下显著优于现有方法，达到了最先进的性能。

基于局部梯度感知滤波的噪声点云法线学习     

        近年来 ，学院一直致力于人工智能领域的前沿基础理论研究和面向国家重大需求的应用研究，反映出学院在“学科前沿与科技创新能力提升、培养新质生产力和聚焦战略性产业”的学校战略牵引下，在人工智能领域的学术水平和国际影响力。