实验室2023级博士生伍风翼作为第一作者，在人工智能领域顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）发表题为《RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation》的研究论文，参与作者中还包括我校格拉斯哥学院本科生丁一轩，电子科技大学信通学院彭真明教授为唯一通讯作者，合作研究单位包括南开大学和清华大学。

      该研究面向稀疏目标分割任务中传统RPCA方法计算成本高、泛化能力受限等瓶颈，提出将RPCA优化问题重构为可解释的深度展开框架，设计了全新的RPCANet++模型。该模型将松弛RPCA结构展开为三个可解释模块，并通过记忆增强机制与深度对比先验实现背景特征的自适应保持与目标敏感性的动态提升，在保持理论可解释性的同时显著增强分割性能。

      实验室率先将深度展开系统性应用于稀疏目标分割的可解释性框架，作为RPCANet升级版，RPCANet++ 在红外小目标检测、医学影像血管分割和各类缺陷检测等多项任务中均取得领先表现，为可解释性稀疏目标智能分割技术提供了新的范式。

图1 RPCANet++稀疏目标分割整体架构

      IEEE TPAMI是人工智能、模式识别、图像处理与计算机视觉领域最具影响力的国际顶级期刊之一，近五年平均影响因子达 22.2，重点刊载机器学习与模式分析方向的前沿成果。

       论文链接：https://arxiv.org/abs/2508.04190

       开源代码：https://fengyiwu98.github.io/rpcanetx/

供稿：伍风翼