2024年，广西大学超算中心为计算机与电子信息学院的杨锋老师及其研究生团队提供了全力支持。通过对超算资源的高效利用，团队能够进行大规模的数据处理与计算任务，取得了一系列具有重要影响力的科研成果。团队计划在未来继续深化与超算中心的合作，进一步扩展研究领域，并探索更多跨学科的创新解决方案。以下是团队的代表性研究成果：

首项研究成果聚焦于图像分割问题。研究团队提出一种基于扩散模型及多一致性的半监督医学图像分割模型（MCSD）。该模型结合特征引导的扩散模块（DFM）和双支图像一致性策略（DIC），将多尺度中间扩散特征作为分割任务中图像和特征空间的指导，并鼓励特征和图像在多个层次上的强弱输入保持一致，从而优化分割网络的性能。这项研究充分展示了扩散模型在半监督医学图像分割中的潜力，并为医学图像分割任务提供了新的思路。该研究成果发表于模式识别领域一区顶刊《Pattern Recognition》，文章标题为《Multi-consistency for semi-supervised medical image segmentation via diffusion models》。论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320324009671。

第二项研究成果聚焦于图像融合问题。研究团队提出一种用于红外-可见图像融合的Poolformer和CNN融合网络PFCFuse。首先，研究团队设计了PoolFormer-CNN双分支特征提取融合网络，其中Poolformer块用于提取低频全局信息，CNN分支负责高频细节提取。然后，通过设计自适应调整的aHuber损失函数和高效的参数控制机制，在有效降低计算复杂度的同时，能精确保留融合图像的细节。此项研究为红外-可见图像融合领域提供了新思路，显著提高了融合质量与模型效率，具有重要的学术价值和广泛的实际应用潜力。该研究成果发表于测量科学领域国际顶刊《IEEE Transactions on Instrumentation and Measurement》，题为《PFCFuse: A Poolformer and CNN Fusion Network for Infrared-Visible Image Fusion》。论文链接：https://ieeexplore.ieee.org/document/10663217。

第三项研究成果聚焦于图像分类问题。研究团队提出一种面向类不平衡图像分类问题的多尺度特征融合网络DMSFF。该网络通过引入扩散模型来减缓医学图像数据类不平衡的问题，同时根据医学图像的特性构建图像增强策略，设计基于多尺度特征和多分类器的融合网络。该方法在多个分类任务中均表现出优异的性能，为解决类不平衡图像分类问题提供了新思路，具有重要的理论价值和实际应用潜力。该研究成果发表于医工交叉领域国际顶刊《Computer Methods and Programs in Biomedicine》，论文题目为《A diffusion model multi-scale feature fusion network for imbalanced medical image classification research》。论文链接:https://www.sciencedirect.com/science/article/pii/S0169260724003778。