（本网消息 图/文 王健吉）2025年5月20日下午，计算机学院第二十二期“启明星讲坛”在10305教室顺利举行。本期讲坛特邀学院青年学者吴杰博士作专题学术报告，2024级研究生任豪、王健吉两位同学分别进行了学术汇报。学院青年博士教师及2024级研究生共同参与了此次学术交流活动。
吴杰博士以“带奇异信号和logistic源作用下趋化-流体方程式定性分析”为题，向大家介绍了奇异信号对趋化模型正则性的影响以及加入一般logistic源后对整体有界性的影响。通过对整体有界性的分析，吴博士给出了不同logistic源指标下模型的分类，为今后处理一般logistic源时只需约化为三类情形即可。这一研究不仅为理解细胞在流体环境中的行为提供了理论基础，也为相关生物医学应用提供了重要的数学模型和分析工具。吴博士的研究不仅丰富了生物数学的理论和应用，而且为理解生物系统中的信号传导和群体行为提供了新的数学工具和视角。
在讨论环节，与会者针对吴杰博士的研究提出了许多深入且具有启发性的问题。吴博士针对每个问题都进行了详尽而专业的解答。期间，有学者询问了研究中使用的数学工具和技术细节。吴博士耐心地解释了能量方法、不动点定理以及半群理论等关键数学工具的应用，并分享了他在解决复杂数学问题时的一些策略和思考过程。同时还有参与者对未来研究方向颇有兴趣。吴博士表示，他计划进一步探索更多类型的信号源和更复杂的流体动力学模型，以期能够更全面地理解和预测生物系统中的群体行为。他还提到，未来的研究将更加注重跨学科合作，结合生物学、物理学和计算机科学等领域的知识，以推动生物数学研究的深入发展。
任豪同学向大家介绍了“One Model for All Low-Level Task Interaction Is a Key to Task-Agnostic Image Fusion”。文中提出了一种名为Generalised Image Fusion Network (GINEet) 的通用图像融合模型，通过低层次视觉任务与多模态融合任务的协同训练，结合跨任务门控机制和共享重建分支，实现了单一模型对多种图像融合任务的适配。实验表明，该模型在12个基准测试中平均PSNR提升2.7dB，模型体积仅为传统方案的1/7，推理速度提升3倍。这项突破性研究打破了"一个任务一个模型"的传统范式，为计算机视觉领域带来全新解决方案。
王健吉同学则以“Emergency fire escape path planning model based on improved DDPG algorithm“为题，向大家介绍了一种使用深度强化学习对火灾环境下人群疏散的建模。该模型为解决传统静态疏散方案无法适应动态火灾场景的问题，使用了一种改进的DDPG算法（I-DDPG）来进行路径规划。该算法首先使用白鲸优化(BWO)算法自动优化超参数，并以随机网络蒸馏（RND）和事后经验回放（HER）进一步改进传统DDPG算法的表现。模型训练时还使用OU噪声来增加稳定性。最后实验表明该模型能够为建筑物内任意位置的受困者生成动态疏散路径，且在不同火灾场景中均表现出强适应性。
