我院张小利教授指导的2025级博士研究生王李颖的论文 ”MAFS: Masked Autoencoder for Infrared-Visible Image Fusion and Semantic Segmentation” 被CCF A类期刊（TIP）接收。该文章第一作者为我院2025级博士生王李颖，通讯作者为张小利教授和北京大学贾川民教授，合作者包括指导教师北京大学马思伟教授。

随着光学仪器与硬件设备的快速发展，场景解析在自动驾驶和机器感知领域发挥重要作用。具体而言，不同传感器成像有相应的优势与不足之处。其中红外与可见光图像融合 （Infrared and Visible Image Fusion）旨在利用红外相机和普通照相设备的不同成像特性，生成具有符合视觉感知的高质量融合图像。现有方法已实现在保证融合图像具有良好视觉效果的同时，给予下游高级任务一定程度的性能促进。此外，当前语义驱动的图像融合方法已考虑融合过程中的语义信息注入问题。然而，上述方法并未从宏观任务视角探索像素级图像融合与基于跨模态特征融合的感知任务之间相互促进的可能性。

针对该问题，我们提出一个面向红外与可见光图像融合和语义分割的多任务协同学习框架。MAFS 作为双分支结构包含一个融合子网络和一个分割子网络。一方面，我们借助异构特征融合策略实现语义感知图像融合；另一方面，分割相关知识通过级联融合子网络和一个分割主干网络被迁移用以促进基于特征级融合的分割子网络的分割性能。在该框架中，作者提出一个精心设计的多阶段 Transformer 解码器用来聚合多尺度细粒度融合特征。另外，基于最大最小公平分配准则的动态权重实现对两个任务损失的动态加权，保证了该多任务框架的平稳训练。相关实验结果表明本方法得到具有竞争力的效果。各项对比验证证实所提方法合理有效。

IEEE Transactions on Image Processing（TIP）是计算机图像处理领域国际顶级期刊，为CCF推荐A类期刊。