3月18日，由中國圖象圖形學學會（CSIG）主辦，合合信息、CSIG文檔圖像分析與識別專業委員會聯合承辦的“CSIG企業行”系列活動成功舉辦。此次活動以“圖文智能處理與多場景應用技術展望”為主題，特邀來自上海交大、廈門大學、復旦大學、中科大的知名學府的學者與合合信息技術團隊一道，面向行內研究者分享圖像文檔處理中的結構建模、底層視覺技術、跨媒體數據協同應用、生成式人工智能及對話式大型語言模型等研究及實踐成果。　

“CSIG企業行”活動旨在匯集產學研各界資源，探討圖文智能信息技術領域的最新發展動態和未來趨勢，共同推動圖像圖形領域的發展。會上，合合信息科技股份有限公司董事長、總經理鎮立新博士發表致辭，并提到希望通過這次活動，創造產學研合作機會，為推動圖像圖形及人工智能行業的發展和進步貢獻智慧和力量；CSIG文檔圖像分析與識別專業委員會主任金連文教授向與會代表介紹了中國圖象圖形學學會的組織架構、開展的學術會議、成果鑒定等服務，鼓勵參會者積極參加學會的學術活動。

理論探索：生成式人工智能將成為未來十年的研究重心

(資料圖)

據國際IT研究機構Gartner預測，到2025年，生成式人工智能產生的數據將占據人類全部數據的10%。生成式人工智能技術正加速數字經濟的發展。“企業行”活動中，上海交通大學人工智能研究院常務副院長、長江學者楊小康分享了團隊在生成式人工智能領域的工作，并表示，目前的生成式人工智能還存在解空間巨大、宏觀一致性差、微觀清晰度受限等問題，需要通過數學、物理、信息論、腦認知、計算機等學科交叉研究，進一步夯實生成式人工智能的基礎理論，通過“物理+數據”聯合驅動， “虛擬+現實”深度融合，助力科學發現的加速。

楊小康認為，以“識別——分析”為代表的判別式人工智能推動了人工智能前十年的發展，接下來十年，以“合成——重建”為代表的生成式人工智能將成為主流。

近期頻頻上“熱搜”的ChatGPT是生成式人工智能的典型代表。復旦大學計算機學院教授、上海市計算機學會自然語言處理專委會主任邱錫鵬提到，強大的情景學習能力、思維鏈能力和自然指令學習能力是以ChatGPT為代表的對話式大型語言模型的主要特點，將加速通用人工智能的實現。

據悉，今年2月，復旦大學自然語言處理實驗室發布了國內第一個對話式大型語言模型“MOSS”，引發業內廣泛關注，邱錫鵬是主要作者之一。“文本所承載的知識只是冰山一角，還有很多‘暗知識’并不是以文本形式記錄的。在未來的發展里，人工智能還有‘具身學習、跨模態學習’等更多知識領域需要學習。”邱錫鵬說。

學術前沿：復雜場景多模態數據分析與理解進展迅速

人工智能要實現多場景“通用”，需要解決多源數據的問題。“文本、圖像、視頻是互聯網上存量最大的數據，需研發相關算法對其進行有效管理。”廈門大學科技處處長、人工智能研究院負責人紀榮嶸教授認為，社交媒體等信息渠道包含了海量非合作、異構化、跨模態的數據，既蘊藏了大量的人類知識與高價值信息，也包含了各種自然與人為的噪聲，對其分析與處理需要融合類腦計算、計算機視覺、自然語言處理等多個維度的智能技術。

紀榮嶸指出，連接視覺與自然語言的“視覺描述”領域，是最受關注且最具潛力的人工智能研究任務之一 。視覺和語言的研究應是雙向的，各自的新發現、新方法可以互相迭代促進。跨空間、跨領域、跨任務知識遷移方面有較大探索空間，易于發現新的科學問題 。

落地實踐：圖像文檔結構分析、底層視覺技術發展受關注

語言文字和視覺研究的融合也為技術落地創造出新的發展空間。近年來，人工智能與OCR（光學字符識別）技術的結合愈發緊密，圖像文檔中涉及的復雜結構如漢字結構、表格結構、文檔總體結構的建模問題，逐漸成為研究熱點。中國科學技術大學語音及語言信息處理國家工程研究中心副教授杜俊就團隊在文檔結構層次化重建領域的最新進展進行分享。

“現階段文檔分析任務中，大多數研究是針對單頁內的文章要素的解析，但從內容角度看，許多文檔頁與頁之間內容有關聯。”杜俊表示，圖像文檔處理能力要達到“篇章級”，突破手寫、自然場景下的漢字建模難點，做好跨頁文檔的要素分類、文檔結構恢復是團隊的主要研究目標。

底層視覺是智能文檔處理的重要研究方向之一，主要研究如何提高或恢復各類場景下的圖像、視頻內容，如清晰度提升，低質量及破損圖像恢復等，相關理論和方法在手機圖像采集與處理，醫療圖像分析等領域發揮著至關重要的作用。合合信息圖像算法研發總監郭豐俊博士針對目前底層視覺技術在處理形變、模糊、陰影遮蓋、背景雜亂的文檔時遇到的典型問題，就公司技術團隊在智能圖像處理技術模塊、融合技術典型應用、圖像安全領域等領域的研究成果進行了分享。

郭豐俊提到，合合信息智能文檔處理技術基于對圖像目標區域的精準裁剪，對彎曲、傾斜透視的頁面進行形變矯正，在去除陰影、摩爾紋后，通過人工智能技術對文檔圖像進行增強銳化和清晰度提升，達到“圖像質量增強”的效果，在改善閱讀體驗的同時，也提升了識別轉換、圖像分析等文檔處理下游任務的質效，相關技術已通過“掃描全能王”等智能文字識別產品，服務全球上百個國家和地區的上億用戶。