【课题推荐发表期刊】

【课题背景】

人机共适应策略，通过结合用户提示与图像的互信息作为优化目标，使得系统能够更好地适应用户需求，尤其是非专业用户，他们可能不擅长提供精确的图像生成指令。人机共适应策略的核心目标是增强图像生成系统在面对用户模糊或不精确提示时的理解能力，从而降低用户需要反复修改提示的频率。我们采集了包含多轮对话的提示和图像对及用户意图的数据集，并通过实验验证了该方法的有效性，显著减少了用户多次调整的必要性。

本课题将基于一种人机共适应策略，提升图像生成系统在处理用户模糊提示时的意图理解能力，减少用户多次修改提示的需求。这一成果不仅提升了图像生成系统的灵活性和适应性，也为非专业用户提供了更加友好和高效的图像生成工具。

【适合人群】

• 多模态学习、自然语言处理（NLP）、机器学习和深度学习相关领域的研究生

• 熟悉TensorFlow、PyTorch等深度学习框架优先

• 具备良好的英语阅读和写作能力

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Liu，QS20高校人工智能博士

• 目前已发表20多篇高水平论文，如ICML，Nature, Neurips，IJCAI，ACL，IEEE IV，IEEE ITSC

• 谷歌学术引用量近百次

• 长期担任IEEE Transactions on Intelligent Transportation Systems、Transportation Re- search Part C: Emerging Technologies、TRB Annual Meeting - Transportation Research Board、IEEE International Conference on Intelligent Transportation Systems、IEEE Intelligent Vehicles Symposium等期刊会议审稿人

• 曾指导学生在 IEEE IROS, IEEE transaction on image processing发表论文

• 可提供开源代码并指导复现；可提供部分开放研究数据；可提供一定的算力资源；可撰写推荐信；期刊内推资源；就业/实习机会推荐

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2024 Broad-deep network-based fuzzy emotional inference model with personal information for intention understanding in human–robot interaction

• 2023 Broad-Deep Network-Based Fuzzy Emotional Inference Model with Personal Information for Intention Understanding