研究主线
长期围绕可靠视觉智能展开，核心问题是：如何在噪声标签、弱标注、长尾分布、跨域数据、低质量图像和开放环境等不可靠条件下，学习可靠、可解释、可泛化的视觉与多模态知识。相关研究覆盖鲁棒机器学习、多模态视觉理解、医学影像分析、图像视频恢复增强和行业AI原型系统等方向。
研究方向
1. 可靠机器学习与开放环境学习：面向噪声标签、弱标注、长尾分布、异常样本、跨域数据和开放环境等复杂数据条件，研究可靠样本筛选、噪声纠正、开放集识别、异常检测、跨域泛化和模型可信评测方法。
2. 多模态视觉理解与行业AI应用：研究视觉-语言模型、提示学习、跨模态语义对齐、多模态大模型调优与评测，并面向工程图纸OCR、工业检测、AI教育、专业文档解析和科研辅助等场景开展应用探索。
3. 医学影像分析与图像视频增强：围绕医学图像分割、疾病识别、跨模态合成、医学图像超分辨率、图像恢复、视频修复和低质量视觉内容增强，研究低成本标注和复杂退化条件下的可靠建模方法
代表性研究成果
1. 不可靠数据条件下的可靠学习：针对医学影像、长尾识别、视觉语言模型调优和开放环境识别中的不可靠数据问题，研究样本筛选、互蒸馏、噪声纠正、层级语义重建和可靠表示学习方法，相关成果发表于 IEEE TMI、IEEE TNNLS、NeurIPS、IJCAI 等期刊和会议。
2. 多模态视觉理解与开放场景识别：面向视觉语言模型、深度伪造检测、开放集半监督学习和交互式图像分割，探索跨模态匹配、细粒度视觉-文本对齐、目标保持建模和多模态语义理解方法，相关成果发表于 ICCV、AAAI、Pattern Recognition 等会议和期刊。
3. 医学影像与视觉内容增强：围绕医学CT合成、MR图像超分辨率、胸部疾病检测、图像超分辨率、视频水印去除和复杂退化恢复，研究跨模态信息利用、结构保持增强、先验知识融合和持续学习方法，相关成果发表于 CVPR、ACM MM、IEEE TIP、IEEE TMM、IEEE TMI 等。
代表性论文
* 通讯作者，† 共同第一作者
[1] Fang C, Fu B, Yang T, Cheng D. Improving Face Forgery Detection via Hierarchical Mixture of Experts and Fine-grained Visual-Text Alignment. Pattern Recognition, 2026.
[2] Fang C, Fu B, Cheng D, Tang C, Li G. Learning Prompt Adapters for Forgetting-Free Continual Image Super-resolution. IEEE Transactions on Image Processing, 2026.
[3] Cheng D, Li Y, Fang C*, Zhang S, Wang N, Gao X. Isolating Interference Factors for Robust Cloth-Changing Person Re-Identification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026.
[4] Chen J, Fang C*, Li J, Leng Y, Li G*. Decouple and Couple: Exploiting Prior Knowledge for Visible Video Watermark Removal. IEEE Transactions on Image Processing, 2025.
[5] Fang C†, Wang Q†, Cheng L, Gao Z, Pan C, Cao Z, Zheng Z, Zhang D. Reliable Mutual Distillation for Medical Image Segmentation under Imperfect Annotations. IEEE Transactions on Medical Imaging, 2023. (Highly Cited Paper)
[6] Fang C, Cheng L, Mao Y, Zhang D, Fang Y, Li G, Qi H, Jiao L. Separating Noisy Samples from Tail Classes for Long-tailed Image Classification with Label Noise. IEEE Transactions on Neural Networks and Learning Systems, 2023.
[7] Yang Y†, Cheng D†*, Fang C†*, Wang Y, Jiao C, Cheng L, Wang N, Gao X. Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection. NeurIPS, 2024.
[8] Fang C†, Wang L†, Zhang D, Xu J, Yuan Y, Han J. Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis. CVPR, 2022.
[9] Fang C, Zhang D, Wang L, Zhang Y, Cheng L, Han J. Cross-Modality High-Frequency Transformer for MR Image Super-Resolution. ACM MM, 2022.
[10] Fang C, Liao Z, Yu Y. Piecewise Flat Embedding for Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018.
项目与研究基础
项目基础：主持国家自然科学基金面上项目、国家自然科学基金青年项目、华为昇腾创新模型开发等科研项目，具备从问题定义、技术路线设计、算法研发到实验验证和成果凝练的完整经验。
研究积累：在医学影像、鲁棒学习、图像恢复、多模态理解和开放环境识别等方向形成了较系统的研究积累，可支持学术研究、横向合作和应用原型开发。
合作基础：欢迎围绕真实数据场景中的可靠AI问题开展联合研究，包括数据分析、算法设计、模型评测、系统原型、论文专利和项目申报等。
面向合作与招生
欢迎企业、医院、科研院所、政府部门、兄弟高校和产业伙伴围绕可靠视觉智能、多模态AI、医学影像分析、工业视觉、文档图纸解析、AI教育和智能评测等方向开展合作交流。
也欢迎对计算机视觉、机器学习、多模态大模型、医学影像AI和行业智能系统感兴趣的硕士研究生、博士研究生和优秀本科生联系交流。期待与认真、踏实、愿意长期投入真实问题研究的同学共同成长。
来信可简要说明合作背景、研究兴趣、已有基础、数据或任务情况，以及希望开展的合作形式或学习计划。
邮箱：chaoweifang AT outlook.com