近日，以云南大学软件学院为第一完成单位的5项研究成果获人工智能领域国际高水平会议/期刊录用。其中，2项图神经网络领域研究成果被A类国际学术会议AAAI’2025和IJCAI’2025录用，3项图像处理领域研究成果被中科院1区TOP国际期刊Information Fusion、Expert Systems With Applications以及Engineering Applications of Artificial Intelligence录用，体现了学院在图神经网络、图像处理前沿领域的科研实力和应用潜力。成果简要情况如下。

一、图神经网络领域成果

与卷积神经网络（CNN）和自注意力网络的基础地位（TRANSFORMER）相似，图神经网络（GNN）是当前人工智能领域最重要的基础网络之一，针对处理网络结构的数据，广泛应用在知识图谱、大数据分析、社交推荐、药物预测、蛋白质分析、大语言模型等重要下游应用领域中，并取得了诸多里程碑式成果。此次两项成果NoiseHGNN和GCTAM，针对实现世界图数据中可能存在的噪声和异常进行了建模研究，提出了新颖的处理识别方法，能够有效排除图数据中的噪声和发现图节点的异常，为知识图谱构建、社交推荐、大数据分析等下游任务，提供了很好的基础模型支持。

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

现实的图（Graph）网络数据环境本质上存在噪声（例如链接和结构错误），这不可避免地会影响图表示和下游学习任务的效果。现有的噪声图神经网络仅适用于同构图，难以扩展至更为复杂和常见的异构图场景中。为此，本项研究提出了一种新颖的基于相似度合成的图神经网络方法，能够适应含噪的异构图学习任务。具体而言，利用节点的原始特征，构建了一个基于相似度的高阶图；引入一个相似度感知编码器进行图表征；采用同步监督学习和结构对比学习来优化模型。在多个真实世界数据集上的广泛实验表明，该方法在含噪异构图学习任务中达到了最新的先进水平。在多个图噪声数据集上，相比此前的SOTA方法，本方法提升了5%到6%的准确率。

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

现有基于局部亲和力的图异常检测方法，通过使用固定阈值来截断可疑节点，这种方法不可避免地导致正常和异常节点之间的无效截断，限制了异常检测的有效性。针对这一问题，本研究提出了一种结合上下文亲和度与全局亲和度的新型截断模型，用于更精准地识别异常节点。其核心思想是利用上下文截断来降低异常节点的亲和力，而全局截断则增加正常节点的亲和力。在真实数据集上的大量实验表明，该方法在大多数图异常检测任务中优于同类方法。尤其是在两个著名的真实数据集（Amazon 和 YelpChi）中，相比之前最先进的方法，本方法在AUROC上提高了15%到20%。

二、图像处理领域成果

计算机视觉作为人工智能的重要分支，在安防监控、自动驾驶、医疗影像分析、工业检测、遥感测绘等众多下游应用领域发挥着关键作用，并取得了令人瞩目的成绩。云南大学软件学院的3项图像处理研究成果，分别针对遥感图像的融合、超分及彩色化任务，以及全切片病理图像分类任务中的关键问题提出了创新方法，为相关应用的发展提供了有力支持。

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

尽管大多数当前的全色锐化方法在提取单一模态图像特征方面表现出色，但在捕捉跨模态图像的全局联合分布方面存在局限性。为了解决这一问题，本研究提出了一种新颖的全色锐化模型——双分支注意力引导扩散网络。该模型引入了扩散模型，能够有效地重建图像的潜在分布。扩散分支在去噪过程中捕捉全色（PAN）和多光谱（MS）图像的全局联合特征，构建高分辨率多光谱（HRMS）图像的跨模态分布。同时，注意力引导分支通过多尺度卷积密集连接模块和改进的注意力机制，增强PAN和MS图像的高频细节和局部特征。在WorldViewII、QuickBird和Maryland数据集上的实验结果证实了该研究在性能上优于现有的先进方法。

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

现有研究中，当仅输入全色图像时，获取高空间分辨率彩色图像面临严峻挑战：图像超分辨率（SR）模型可提升空间分辨率但无法改善光谱分辨率，图像着色模型可增强光谱分辨率却无法提升空间分辨率。本研究创新性地将全色图像的空间分辨率恢复和光谱恢复集成于同一模型中同步完成，提出一种基于Transformer与卷积神经网络协同架构的多路径网络（SR_ColorNet），用于全色图像分辨率恢复。采用多路径特征提取，并设计超分辨率Transformer模块专注于空间信息恢复；ECA通道混合模块（ECMB）实现重要特征信息的保留与传递；并在最后的特征重建阶段设计了掩码特征增强模块（MFE）强化特征表达能力。实验表明，SR_ColorNet在遥感图像的分辨率恢复任务中均展现出优越性能，其客观指标与视觉质量显著优于SOTA方法。

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

全切片病理图像（WSI）因其在病理诊断中的重要作用而备受关注。然而，WSI的超高分辨率和弱监督标签形式让深度学习模型在处理时面临诸多难题，包括关键病灶区域难以聚焦、背景噪声干扰严重以及正负样本数量不均衡等问题。尽管多实例学习（MIL）方法已被广泛应用于这一领域，但现有方法在面对复杂病理图像时仍存在显著局限。为了解决这些挑战，研究团队提出了一种全新的伪标签注意力多实例学习方法（Pseudo-label Attention-based Multiple Instance Learning, PAMIL）。PAMIL 通过整合伪标签生成机制和实例注意力策略，以动态加权的方式增强模型对关键病灶区域的聚焦能力，从而显著提升图像分类的整体性能。具体来说，该方法以全视野图像为输入，将其切片成多个图像块，通过自监督预训练的特征提取模块生成初始特征，并利用伪标签生成模块筛选出具有代表性的正负样本实例。随后，实例注意力机制通过构建注意力矩阵对样本进行加权，突出高权重区域并抑制背景噪声，最终通过微调策略进一步增强模型的泛化能力。

AAAI和IJCAI是人工智能领域历史最悠久、内容覆盖最广、学术认可度最高的国际顶级会议之一，是中国计算机学会（CCF）推荐的A类国际学术会议。Information Fusion Expert Systems With Applications以及Engineering Applications of Artificial Intelligence均为中科院1区TOP期刊。

软件学院将继续深化图智能技术和神经网络架构与地方经济社会发展之间的融合应用，通过加强与科研院所、产业机构的协同创新机制，努力将图神经网络、图异常检测、图像处理等领域关键技术应用于数字边疆治理、绿色能源管理、智慧农业与公共安全等重点场景，助力打造面向东南亚辐射中心的智能计算科研高地，为云南和区域科技发展注入持续动能。

来源：软件学院

编辑：张懿淼 责任编辑：李哲