本网讯（通讯员 韩笑）近日，第43届国际机器学习大会（International Conference on Machine Learning，ICML 2026）公布论文录用结果，我校智能机器人湖北省重点实验室多模态感知与认知计算团队青年教师邹露博士课题组的研究论文《DecomPose: Disentangling Cross-Category Optimization Contention for Category-Level 6D Object Pose Estimation》被大会正式录用。ICML是人工智能与机器学习领域的顶级国际学术会议，与NeurIPS、ICLR并称为人工智能与机器学习领域的“三大顶会”，本次ICML共收到23918篇有效投稿，论文录用率为26.6%。该论文以武汉工程大学为第一署名单位，合作单位包括中国科学技术大学和北京大学。我校以第一署名单位在ICML会议发表学术论文，标志着学校在人工智能与计算机学科建设上取得重要突破。

该论文聚焦类别级6D物体位姿估计问题。类别级6D物体位姿估计是机器人自主操作、工业检测、智能驾驶、AR/VR交互和具身智能等应用中的关键基础技术。现有方法通常采用多类别联合训练范式，将不同类别的物体置于同一参数空间中共同优化。然而，不同物体类别在几何形态、结构复杂度和类内变化幅度上存在明显差异，统一建模容易引发跨类别优化竞争和负迁移问题，导致模型在不同类别之间出现性能失衡。

DecomPose研究动机

针对这一问题，课题组提出了DecomPose难度感知解耦框架，从优化竞争的角度重新审视多类别联合训练过程，为多类别三维视觉感知中的结构差异建模提供了新的思路。DecomPose通过基于梯度的诊断机制分析不同类别之间的优化干扰，并采用“主干共享、分支解耦”的非对称结构设计，在保留多类别共享表征能力的同时，降低异构类别之间的优化冲突。实验结果表明，DecomPose能够显著降低多类别联合训练中的类别间优化冲突，并在多个权威基准数据集上取得优异表现，多项关键指标实现性能突破，充分验证了该方法的有效性和鲁棒性。

DecomPose整体框架

DecomPose与先进方法的定性对比

该成果体现了我校在人工智能和计算机科学领域的深厚科研积累与持续创新能力，进一步彰显了学校在智能机器人、智能装备研发和复杂工业场景智能理解等前沿方向的学科竞争力。该研究与学校磷化工智能制造、工业机器人和智能装备等优势方向高度契合，有助于推动人工智能技术与学校特色优势学科深度融合，为学校建设“磷化工第一高校”和推进“双一流”创建提供有力支撑。

近年来，学校深入实施“强工培理、交叉融合”发展战略，将人工智能与计算机学科作为“十五五”期间重点建设的交叉学科方向，持续加大高层次人才引进、科研平台建设和原创性成果培育力度。智能机器人湖北省重点实验室作为学校重要的省级科研平台，聚焦人工智能与智能制造交叉领域的前沿问题，产出了一批高水平科研成果。此次发表ICML论文是我校青年教师团队潜心钻研、勇于创新的结果，也是学校学科交叉融合发展战略的重要体现。学校将继续以学科建设为龙头，深化计算机学科与磷化工、材料、机械等优势工科的深度融合，打造更多高水平交叉学科平台，培育更多具有国际影响力的原创性成果。（审稿 周华兵 张炜）