我院教师刘学聪博士在国际顶级会议ECCV 2026发表研究成果

近日，我院教师刘学聪在跨模态图像配准与密集匹配研究领域取得重要进展，研究成果“RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration”被国际计算机视觉顶级学术会议ECCV（European Conference on Computer Vision）录用。我校本科生丁梦竹为论文第一作者，刘学聪博士为论文通讯作者，东北大学为唯一完成单位。

跨模态图像配准旨在建立异源传感器（如光学-SAR、可见光-红外）图像之间可靠的几何对应关系，是实现多传感器信息融合的核心技术，在遥感影像分析、三维场景理解以及自动驾驶自主导航等领域具有广阔的应用前景。然而，由于不同传感器成像机制的差异，跨模态配准面临着严重的非线性辐射差异（如强度反转、散斑噪声）和显著的几何畸变等巨大挑战。现有的确定性匹配方法往往缺乏对模型不确定性的感知能力，难以在高度非凸的优化空间中进行稳定寻优，且极易在纹理模糊区域产生误差累积。

针对上述挑战，本研究提出的 RBE-Flow 框架，创新性地将密集的跨模态光流估计重构为特征流形上的闭环循环贝叶斯估计问题。该方法摒弃了传统的前馈回归范式，引入了循环流形优化（RMO）模块来迭代生成局部光流观测及其不确定性；并设计了不确定性自适应概率更新（UAPU）机制，通过确定性Sigma点投影将观测证据与先验状态进行最优融合。同时，算法将校准后的后验协方差反馈至优化模块中，自适应调节后续优化的阻尼系数，构建了强大的自我纠错机制。此外，还提出了一种引入动态方差下界的几何感知修正NLL损失混合监督策略，从结构上有效防止了概率训练中的方差坍塌问题。在 OSdataset、WHU-OPT-SAR 和 RoadScene 等多个极具挑战性的权威多模态基准数据集上展开了广泛的实验评估。结果表明，RBE-Flow 算法在各项指标上均显著优于现有方法，特别是在严格的亚像素级误差标准下展现出了极高的鲁棒性和对齐精度，充分验证了该算法的有效性，为跨模态图像配准领域提供了全新的概率推断思路。