【大会简介】
2026年智能计算与多模态信号处理国际学术会议（CIMSP 2026）由浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI），信德农业大学信息技术中心，波兰技术与艺术大学（ATA）和新加坡机器人学会（RSS）支持。作为一项年度学术会议，IC-IPPR 致力于为智能计算、多模态识别、信号处理及相关领域的前沿成果展示与深度研讨搭建高质量的互动平台。会议不仅汇聚国内研究人员，也热忱欢迎来自世界各地的学者与专业人士，共同在此建立专业联系、探索职业发展机遇。IC-IPPR 将努力打造成为连接中国与世界各国学术合作与交流的重要桥梁。
**【会议时间】**2026年08月21-23日
**【会议地点】**中国-西安
**【会议官网】**cimsp.org（联系人-尹然）
【组织单位】 浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI），信德农业大学信息技术中心，波兰技术与艺术大学（ATA），新加坡机器人学会（RSS)
【会议出版】 所有论文将由会议委员会的2-3名专家评审员进行评审。经过仔细的审查过程，所有被接受的论文都将发表在SPIE-The International Society for Optical Engineering《会议论文集》上，并提交给EI Compendex和Scopus进行索引。
【主题方向】
|--------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------|
| 主题一：智能计算 | 主题二：多模态信号处理 |
| 光通信联邦学习优化 可解释XAI技术 图神经网络计算 元学习算法 自主机器人系统 工业数字孪生 边缘智能部署 轻量化模型压缩 光通信隐私计算 异构计算资源调度 光学影像智能分析 ... ... | 光声多模态对齐 多传感器数据融合 光学噪声分离 光学图像重建技术 多模态情感识别 脑机接口交互 6G无线信道建模 光学表面缺陷检测 基于声纹的故障诊断 多源交通流预测 神经符号推理 无线姿态估计与感知 |
**< 编辑解读：**智能计算与多模态信号处理的交叉前沿 >
作为本次会议的选题编辑，我谨就两大主题方向的内在逻辑、技术热点及交叉潜力，作如下深度解读。
主题一：智能计算
本主题的关键词给出一条清晰的演进路径：计算范式不再单纯追求吞吐量，而是转向高效、可解释、自适应与安全可信的智能计算新体系。
1. 通信与计算的深度融合
-
光通信联邦学习与光通信隐私计算构成一对"效率-安全"双轴。光通信的高带宽与低延迟，为联邦学习的参数聚合提供物理层加速，而隐私计算（如同态加密、安全多方计算）则弥补了光传输在中间节点易受窃听的短板。这一组合正成为6G前传网络与分布式AI训练的标准范式。
-
异构计算资源调度是该架构落地的"调度中枢"。在边缘-云-光传输混合环境中，如何动态匹配CPU、GPU、DPU、FPGA等异构算力，同时兼顾通信开销与能耗，已成为资源管理领域的核心难题。
2. 模型轻量与边缘智能
- 轻量化模型压缩（剪枝、量化、神经架构搜索）与边缘智能部署紧密耦合。会议方向中特别强调"工业数字孪生"与"自主机器人系统"------这两类场景对实时性、功耗和存储极度敏感，模型必须从"大而全"转向"小而精"。值得注意的是，压缩后的模型在对抗样本和分布漂移下的鲁棒性，将是评估部署质量的新标尺。
3. 可解释性与图神经网络的交汇
-
可解释XAI技术与图神经网络计算被并列提出，绝非偶然。图神经网络在社交网络、知识图谱、分子结构等非欧数据上表现优异，但其"黑盒"属性在医疗、金融、工业控制中难以被接受。当前热点在于图注意力归因、子图反事实解释以及逻辑规则蒸馏，使GNN的决策路径可追溯、可验证。
-
神经符号推理（虽列于主题二，但实为智能计算的认知层）正是XAI的"高阶形态"------将神经网络的概率输出与符号逻辑（如一阶逻辑、时态逻辑）结合，实现可推理、可证明的智能决策，有望突破深度学习的"统计相关性"天花板。
4. 元学习算法：智能计算的"自适应引擎"
- 元学习（学会学习）在少样本、快速适应场景中价值凸显。结合联邦学习，可实现跨节点的个性化元模型；结合数字孪生，可让物理实体在虚拟环境中"预训练"策略，再零样本迁移至现实。这一方向正从学术探索走向工业小批量试点。
主题二：多模态信号处理
本主题跨越光学、声学、无线、脑电、交通等多个物理模态，其核心命题是：如何让异质、异步、异构的信号在统一表示空间中对齐、融合与推理。
1. 光与声的物理层对齐
-
光声多模态对齐与光学噪声分离、光学图像重建技术形成一条"光声计算成像"技术链。光声成像结合了光学对比度和超声分辨率，但面临强噪声（如散斑、电子热噪声）和缺失角度问题。当前前沿采用自监督学习和隐式神经表示进行无参考噪声分离与超分辨率重建，而多模态对齐则通过互信息最大化或对比学习实现光声信号的时间-空间同步。
-
光学表面缺陷检测则转向"小样本+物理先验"策略，融合光度立体、偏振成像与深度学习，实现微米级缺陷的零样本检测。
2. 传感融合与脑机接口
-
多传感器数据融合在6G无线信道建模、多源交通流预测、脑机接口交互中扮演"数据统一化"角色。注意，会议特别提及神经符号推理与多模态情感识别，暗示情感计算正从单一语音或表情，转向语音-面部微表情-生理电信号（EEG/ECG） 的三模态融合，并利用符号知识图谱来消解模态间冲突（如"笑中带泪"的矛盾情绪）。
-
脑机接口交互则强调非侵入式信号（EEG、fNIRS）与眼动、手势的时序对齐，其难点在于低信噪比和个体差异性------这正是元学习与域自适应技术发挥空间之处。
3. 无线感知与姿态估计
-
无线姿态估计与感知利用Wi-Fi/毫米波的信道状态信息（CSI）进行人体姿态、呼吸、步态识别，其优势是隐私友好且覆盖范围广。但在动态多径环境中，信号易受反射体干扰，因此需结合光学影像智能分析作为"教师模型"进行知识蒸馏，或采用跨模态对比学习来提升无线感知的鲁棒性。
-
6G无线信道建模不再局限于统计模型，而是引入数字孪生和生成式AI，构建高保真的时变信道仿真环境，用于训练通信感知一体化（ISAC）算法。
4. 声纹故障诊断与交通流预测
- 基于声纹的故障诊断（旋转机械、电力设备）与多源交通流预测共享一个方法论：时序-频谱联合建模。前者依赖短时傅里叶变换或小波包提取时频图，后者依赖图神经网络建模路网拓扑。两者都面临"异常样本稀缺"问题，因此会议方向中隐含的少样本异常检测和对抗生成数据增强将成为讨论热点。
编辑团队认为，本次会议最富价值的讨论空间在于两大主题的交叉地带：
-
光通信联邦学习 + 多源传感器融合：在分布式感知网络中，如何通过光通信实现低延迟的多模态特征聚合，同时保障各传感器的本地隐私？
-
可解释XAI + 神经符号推理 + 脑机接口：如何将脑电信号的神经解码结果转化为符号化的意图描述，从而构建可解释的人机协同决策链？
-
轻量化模型压缩 + 无线姿态估计：在资源受限的边缘设备上，如何设计超轻量级时空网络，同时保持对多径衰落的自适应能力？
以上交叉方向，将直接影响未来三年"通感算智"一体化系统的架构设计。