智能计算实验室强化学习小组当前的研究兴趣点主要在于：单智能体中稀疏奖励问题、值函数估计问题；多智能体合作与竞争、表征与信息交流；离线强化学习；基于模型的强化学习； 多目标强化学习等。 小组同时也在关注智能体在不完全信息博弈中的信息交流及大空间大尺度 下智能体表征及种群层级的演化问题，在生成对抗模仿学习等方面也有所涉猎。 小组学术氛围浓厚， 和国内强化学习研究组保持着学术沟通与交流。小组目前公开专利8项，其中授权专利1项。 小组发表人工智能顶级会议8篇（3篇ICLR，1篇AAAI，3篇NeurIPS，1篇ECAI），CCF C类论文及期刊论文多篇。

智能计算实验室缺陷检测组————基于机器视觉的品质检验方向当前的研究兴趣为： 通用目标检测、Vision Transformer和缺陷检测。 小组重点关注单阶段目标检测网络在缺陷检测中的应用， 以期实现一种检测速度快、检测精度高的缺陷甄别系统， 并在玻璃面板、热轧钢带等品质检验相关任务中进行验证。小组目前比赛获奖2项，公开专利1项，投稿学术论文2篇。

智能计算实验室工业缺陷检测小组，依托科技创新2030————“新一代人工智能”重大项目，研究具有自主学习能力的品质检验关键技术与系统。 现有工业产品外观缺陷检测系统存在无法解决模型的自主在线增强与技能迁移， 使得系统缺乏智能化的自主学习能力。 围绕以上两个问题， 小组进行以下三个方面的研究： 1）研究在线数据增强与迭代学习的参数优化方法，实现模型的自主在线增强； 2）建立面向缺陷甄别的知识增长型人机混合增强模型，建立人机互学习计算架构，实现缺陷甄别模型的自主学习； 3）研究跨领域品质检验任务的共有知识表示与提取方法，设计基于对抗学习机制和深度度量学习的特征和模型高效迁移算法，实现甄别技能跨领域高效传授。 研究算法应用于实际工业生产场景中玻璃面板和柴油机的缺陷检测与迁移。 目前，小组发表人工智能顶级会议CVPR 2篇，多篇论文在投。

智能计算实验室智慧医疗小组当前的研究兴趣点主要在于： 多模态医学图像的表征融合问题，自监督弱监督的医学数据学习问题， 基于深度学习的医学数据分析的可解释性等。 小组与国际顶级相关学术机构如哈佛大学医学院， 悉尼大学，香港中文大学，产业界顶级实验室如腾讯医疗健康事业部等团队有访问， 交流与合作。 小组发表了多篇领域顶级会议（CVPR, ICLR, MICCAI）和SCI期刊。

智能计算实验室推荐搜索小组成立于2022年4月，目前有8名研究生在读， 研究方向涵盖图神经网络表征学习、多行为推荐、跨域推荐、多场景推荐、大规模推荐优化、多模态推荐搜索以及长序列推荐模型等， 目前组员已发表多篇长文于KDD、TOIS、WWW、CIKM、WSDM等数据挖掘及推荐系统领域顶级会议和期刊， 并于秋招斩获多家互联网大厂头部计划offer。我们志在培养大数据与人工智能交叉领域的研究型人才、探索研究业界领先推荐和搜索技术， 旨在发表行业内国际顶级期刊会议论文和专利等学术成果。本小组秉承“开放互助，共同进步”的基本原则， 在各个方面组织组内团结合作致力于为智能计算实验室贡献更多成果产出。 此外，推荐搜索小组重视与企业加强合作，主张结合校方与企业的共同优势来为组内科研活动提供支撑， 本小组将为组内优秀者提供前往腾讯、阿里巴巴、字节跳动等企业实习的内推机会。

数字人课题组专注于数字人的生成与驱动技术的前沿研究。 我们的团队致力于通过三维视觉和AIGC技术的交叉创新，推进数字人技术的边界。 迄今为止，我们的研究成果已在ICCV（国际计算机视觉会议）、ACM MM（多媒体会议）等国际顶级学术会议上发表多篇论文。 我们的目标是创造逼真的数字人形象，并实现其在虚拟环境中的自然运动和交互，以支持各种应用场景，包括但不限于娱乐、教育、远程工作和社交。 课题组欢迎跨学科的合作和有志之士的加入，共同推动数字人技术的发展。