姬艳丽，中山大学教授、博士生导师。研究方向：多模态感知、跨模态学习、多模态大模型、具身智能。日本九州大学博士，东京大学客员研究员。深圳市高层次人才，2023年度AI华人女性青年学者榜。近5年发表中科院JCR二区以上SCI期刊及CCF A国际会议论文50余篇，申请三十余项发明专利。中国计算机学会高级会员(CCF Senior Member)，中国图象图形学会青年工作委员会执行委员、副秘书长。先后主持国家自然基金项目、教育部留学回国人员科研启动基金、省部级项目等10余项，以主要参与人员参与国家科技部科技创新2030—“新一代人工智能”重大项目、国家自然基金重点项目等10余项。中山大学通用具身智能中心招聘博士后研究人员、博士研究生等，中心具有充足的科研经费和优秀的科研环境，将给予研究人员最大的经济和学术支持！

张力，复旦大学大数据学院教授、博士生导师，上海创智学院全时导师。获国家级青年人才计划支持。博士毕业于伦敦玛丽女王大学电子工程与计算机科学系，曾任职于牛津大学工程科学系博士后，剑桥三星人工智能中心研究科学家。获上海海外高层次人才计划、上海科技青年35 人引领计划（35U35）、爱思唯尔中国高被引学者、世界人工智能大会青年优秀论文奖；发表IEEE TPAMI、IJCV、NeurIPS 等人工智能国际期刊与会议论文 90 余篇，论文总被引两万余次。 担任人工智能国际会议 NeurIPS 2023、NeurIPS 2024、NeurIPS 2025、CVPR 2023、CVPR 2024 与 CVPR 2025 领域主席，期刊 Pattern Recognition 副编辑。

报告摘要：扩散模型作为深度生成式AI的核心范式，已在多领域取得显著成果，但其理论基础、采样效率、可控性及安全性仍是关键挑战。本报告将系统梳理其理论根基，重点阐释低维流形结构如何驱动高效学习；同时针对计算瓶颈，剖析主流采样加速方法。此外，将探讨扩散桥模型的固定端点扩散机制、流匹配等新兴变体，并延伸至扩散策略与强化学习的交叉探索，为可控生成与跨域应用提供新视角。

讲者简介：石野博士，现任上海科技大学信息科学与技术学院研究员、博导，YesAI可信与通用智能实验室负责人, 近年来发表顶会顶刊70余篇（NeurIPS, ICML, ICLR, CVPR, ICCV, TNNLS, TSG等）。主要聚焦在可控、鲁棒、安全的人工智能理论算法及应用，系统研究了可控扩散模型的理论基础及其在具身智能上的应用。石野博士担任NeurIPS 2025 领域主席，组织ICCV 2025人机交互与协作研讨会, 曾入选上海市海外领军人才计划，上海市扬帆计划，主持国家自然科学基金，曾获得国家优秀留学生奖，ICLR 2025 生成式理论研讨会杰出论文奖, IEEE ICCSCE 2016最佳论文奖。

报告摘要：本讲习班报告聚焦"多模态表征解耦与可控生成"前沿领域，系统阐述了其历史发展、关键突破与应用前景。研究指出，多模态数据（视觉、语言、语音等）的联合表征学习面临模态间纠缠、语义不对齐等核心挑战，而解耦表征技术通过潜在空间分离模态共享与私有特征，为可控生成奠定基础。可控生成方面，从ControlNet入手，系统回顾扩散模型在可控生成方面所取得的代表性成果，同时揭示了现存技术瓶颈：复杂场景下的生成可控性不足、跨模态生成难对齐、生成结果的可解释性、保证物理规律的生成有待提升。讲习班同时也会展望基于扩散模型的生成技术，未来从学术研究加速向产业落地转化，预计将在影视特效、虚拟试衣、智能驾驶、具身智能等领域形成规模化应用。

讲者简介：金鑫，宁波东方理工大学助理教授、博导，浙江省青年拔尖人才，中科大博士，师从陈志波教授，研究涵盖智能媒体处理及计算机视觉前沿，发表高水平论文40余篇，谷歌引用5000余次，多项成果被应用在微软、阿里、吉利汽车等产品中带来经济价值。曾获中国科学院院长特别奖、IEEE视觉信号处理与通信新星奖、安徽省优博、CCF中国人工智能分会优博，斯坦福全球前2%顶尖科学家。IEEE VSPC委员、CSIG多媒体专委会委员、CAAI具身智能专委会委员、VALSE执行委员，在CVPR、ICCV、ECCV、NeurIPS、ACMMM等顶会多次组织视觉表征学习与生成相关的Tutorial和Workshop。主持国自然、浙江省青基、宁波市重点研发等项目。团队可控生成的DisCo论文获NeurIPS240-Spotlight，相应数据集Dis-Bench在ICCV25举办第一届表征解耦及可控生成Challenge竞赛及Workshop，获业界极大关注。