2026年1月21日至26日，田烜宇（23级博士生）赴新加坡参加第40届AAAI人工智能大会（The 40th AAAI Conference on Artificial Intelligence, AAAI 2026）。本次出访旨在展示课题组在医学影像重建领域的最新研究成果，并与国际同行深入交流物理驱动深度学习方法的发展趋势。
在1月22日，田烜宇在会上展示了课题组在自由呼吸心脏磁共振成像方面的最新研究进展——"Unsupervised Motion-Compensated Decomposition for Cardiac MRI Reconstruction via Neural Representation"，该工作针对传统心脏MRI依赖屏气采集、对患者配合度要求高的问题，提出了一种基于隐式神经表示（Implicit Neural Representation, INR）与运动补偿分解的无监督重建框架。方法通过对心脏解剖结构与呼吸运动进行解耦建模，在无需全采样数据及精确运动标签的情况下，实现了高质量的动态图像重建。报告过程中，相关方法在运动建模精度与图像细节保真方面的优势引起了现场学者的广泛关注。
在交流环节，田烜宇与来自伦敦帝国理工学院（Imperial College London）的博士研究生展开了深入讨论，重点围绕隐式神经表示（INR）与扩散模型（Diffusion Model）在医学影像重建中的潜在结合方式进行了探讨。双方就如何利用生成式先验提升模型在复杂运动场景及分布外数据（OOD）情况下的鲁棒性交换了看法，为后续研究提供了新的思路。
在1月23日，田烜宇代表课题组已毕业博士生吴晴展示了题为Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT“的研究工作。该工作针对锥束CT（CBCT）成像中由于探测器响应不一致所导致的环状伪影问题，提出了一种基于多参数联合反演的无监督去伪影方法。该方法通过构建成像物理模型与伪影生成机制之间的耦合关系，在无需额外标注数据的情况下，有效区分伪影与真实解剖结构，从而显著提升重建图像质量，同时避免传统方法中常见的结构信息损失问题。
在该报告交流过程中，田烜宇与来自新加坡国立大学（NUS）的学者以及华为从事工业CT重建算法研发的工程师进行了深入探讨。学术方面，双方围绕无监督建模的可解释性及模型泛化能力展开讨论；工业方面，对方从实际工程应用角度提出了对于算法计算效率、实时性以及在低剂量成像条件下稳定性的具体需求。这些交流为课题组后续推动算法向真实临床及工业设备落地提供了重要参考。
未来，课题组将结合本次会议获得的反馈，进一步优化现有方法，重点探索面向真实临床环境的高效、鲁棒医学影像重建算法，并加强与国际同行及产业界的合作，推动相关技术的实际应用与转化。
