近日，我院传来科研喜讯：学院教师黄睿指导的2024级研究生陶豪杰、高森在人工智能领域国际顶级会议NeurIPS 2026（Neural Information Processing Systems）上发表了题为“SynGS: Synergistic Continual Learning and Change Detection with Gaussian Splatting”的高水平学术论文。该研究创新性地提出了基于3D Gaussian Splatting（3DGS）的持续场景更新与变化检测统一框架，为动态环境下的三维场景智能理解提供了全新的技术路径。

三维场景重建是计算机视觉、机器人和具身智能中的重要基础技术。现有3DGS方法大多假设场景保持静态，但真实环境会随着物体增加、移除、移动以及光照变化不断发生改变。若直接利用新观测数据更新已有模型，极易引发灾难性遗忘和静态区域几何漂移；另一方面，真实结构变化还容易与光照、阴影和曝光变化混淆，给精确的变化检测带来了严峻挑战。

提出SynGS统一框架，三大核心任务协同优化

针对上述挑战，研究团队提出了SynGS框架，将持续场景更新、变化检测和历史场景回放统一到同一框架中。其核心思想是为每个三维高斯引入可学习的变化概率，使模型能够动态区分静态区域与变化区域，并在优化过程中不断修正初始判断。同时，该研究设计了光照感知机制，将光照、阴影等外观变化与真实结构变化分离，从而实现更加稳定的场景更新和多视角一致的变化检测。

图1  SynGS算法整体设计示意图

主要创新贡献

本研究的主要贡献包括：提出统一的3DGS持续学习与变化检测框架，实现二者协同优化；提出逐高斯可学习变化概率机制，避免固定静态/动态划分带来的误差；设计光照解耦机制，提高复杂光照环境下变化检测的准确性；同时支持历史场景高效回放，降低长期场景维护的存储开销。

实验验证与性能表现

实验结果表明，SynGS在场景变化检测和持续场景更新任务上均取得了良好效果。在PASLCD数据集上，变化检测达到0.649 F1和0.500 mIoU；在持续场景更新任务中，该方法在多个数据集上取得较高重建质量，同时保持实时渲染能力。

图2 SynGS场景多视角变化检测效果对比

图3  SynGS多时间步场景持续重建效果对比

关于NeurIPS会议

NeurIPS（Conference on Neural Information Processing Systems）是人工智能与机器学习领域公认的国际顶级学术会议，被中国计算机学会（CCF）评定为A类会议，与ICML、ICLR并列为机器学习领域三大顶级会议。该会议涵盖机器学习、计算机视觉、自然语言处理、强化学习等多个前沿研究方向，每年吸引全球顶尖高校和研究机构的学者投稿，论文录用经过严格的同行评审，竞争异常激烈，具有极高的学术影响力。

近年来，计算机与人工智能学院高度重视研究生科研创新能力培养，积极鼓励和支持研究生参与国际前沿科学研究，在高水平学术论文发表方面不断取得新突破。此项研究成果的发表，充分展现了我院研究生培养质量和科研创新水平的持续提升，也为学院在人工智能领域的深入发展奠定了坚实基础。学院将继续坚持以科研育人为导向，培养更多具有国际竞争力的高素质创新型人才，为一流民航建设贡献智慧和力量。（文字：黄睿）