近日，我院师生(贾迪教授、硕士生赵辰)在中科院一区，TOP期刊Knowledge-Based Systems上发表了题为“ECMRN: Efficient cross-modal reparameterization network for RGB-D tasks via prompt tuning”的学术论文。

Knowledge-Based Systems是一本人工智能领域的国际跨学科期刊，2025年影响因子为7.6，中科院一区、JCR一区。该期刊主要发表人工智能及相关领域的原创性、创新性和创造性研究成果，旨在关注基于知识和其他人工智能技术的系统研究和重要进展。该篇论文的第一作者单位和通讯作者单位均为辽宁工程技术大学。

语义分割是计算机视觉中的一项基础任务，在自动驾驶、智能监控和医学图像分析等场景中具有广泛应用。然而，传统的 RGB 图像在低光照、复杂遮挡和多样几何结构的环境下容易表现不足。为克服这一问题，RGB-D（即彩色图像+深度信息）方法逐渐受到关注，能够利用外观与几何特征的互补性提升场景理解能力。但现有方法大多依赖双分支或多分支结构，计算量大、推理效率低，难以兼顾性能与部署效率。

本项研究提出了一种高效跨模态重参数化网络 ECMRN，通过引入提示学习与多尺度特征优化模块，弥合RGB与深度模态间的差异，实现鲁棒的跨模态语义对齐；设计动态频域重参数化模块，在训练阶段采用多分支空间-频域融合，推理阶段则折叠为单分支卷积，显著降低计算量。通过与多个state-of-the-art方法的对比，本项研究有效平衡了准确性与效率，在资源受限环境下也能实现高质量的跨模态场景理解，显示出良好的泛化能力和应用潜力。