（一）白天教授团队的论文“Seeing the Unseen: A Semantic Alignment and Context-Aware Prompt Framework for Open-Vocabulary Camouflaged Object Segmentation” 被ICCV2025录用。论文第一作者是白天教授指导的2024级博士生任鹏，白天教授为通讯作者。

  开放词汇伪装目标分割（Open-Vocabulary Camouflaged Object Segmentation，OVCOS）是计算机视觉领域中具有挑战性的任务之一。OVCOS旨在根据文本描述分割任何类别的伪装对象。尽管现有的开放词汇方法表现出强大的分割能力，但它们在伪装场景中仍然存在一个主要限制：语义混淆，这会导致模型中的分割不完整和类别漂移。为了缓解上述限制，我们提出了一个名为SuCLIP的OVCOS框架。具体来说，我们设计了一个上下文感知提示方案，它利用CLIP视觉编码器的内部知识来丰富文本提示并将其与局部视觉特征对齐，从而增强文本提示。为了更好地对齐视觉语义空间和文本语义空间，我们设计了一个类感知特征选择模块，动态调整文本和视觉嵌入，使其与伪装对象更加匹配。同时，引入语义一致性损失来缓解文本提示和视觉特征之间的语义偏差，保证分割结果和文本提示之间的语义一致性。最后，我们设计了一个文本查询解码器，将文本语义精确地映射到像素级分割结果，从而实现语义-空间一致性解码。实验结果表明，SuCLIP在OVCamo数据集上的性能明显优于先进方法OVCoser。

（二）刘萍萍教授团队的论文“CWNet: Causal Wavelet Network for Low-Light Image Enhancement”被ICCV2025 录用。本文的第一作者是刘萍萍教授指导的2023级博士生张同顺，刘萍萍教授为通讯作者。

当前的低光图像增强（LLIE）方法主要集中于均匀的亮度调整，通常会忽略实例级别的语义信息，并且忽视特征内部的独特特性。为了解决这些局限性，提出了CWNet，一种引入因果分析基于小波变换的LLIE架构。具体而言：1）受因果关系干预概念的启发，CWNet从因果推理的角度来揭示低光增强中潜在的因果关系。全局角度：采用度量学习策略来确保因果关系遵守因果原则，将其与非因果因素分离，同时着重于因果因素的不变性。局部角度：引入了实例级CLIP损失，以精确维持因果因素的一致性。 2）基于因果分析，该网络通过与高频组件对齐的SS2D扫描策略对高频信息进行建模，从而可以精确地恢复高频细节，而低频信息的复杂建模则是通过结合快速傅立叶卷积和小波卷积的优势。广泛的实验表明，CWNet展示了其在不同场景中的稳健性能。

ICCV（IEEE/CVF International Conference on Computer Vision）是计算机视觉领域的顶级国际会议，也是中国计算机学会（CCF）收录的计算机视觉领域A类会议。