Учёные НОЦ ФНС России и МГТУ им. Н.Э. Баумана успешно выступили на крупнейшей международной конференции по компьютерному зрению — IEEE/CVF CVPR 2026, проходившей в Денвере (США) с 3 по 7 июня. Мероприятие собрало более 10 000 участников из академических и индустриальных организаций со всего мира и считается наиболее престижным событием в области компьютерного зрения, обработки изображений и машинного обучения (уровень А*).
На конференции заместитель начальника научно-технического отдела НОЦ ФНС России и МГТУ им. Н.Э. Баумана, к.т.н. Владимир Бухтояров представил доклад, посвящённый гибридному подходу, сочетающему анализ SEM-изображений (сканирующая электронная микроскопия) и физически-информированное машинное обучение. Цель работы — предсказание морфологии поверхности при лазерной обработке материалов.
Выступление прошло в два этапа. На постерной сессии автор детально обсудил метод с участниками, получив обратную связь от ведущих специалистов. Устная секционная презентация была сфокусирована на ключевых результатах:
Dice Similarity Coefficient 0,92 для сегментации SEM-изображений; коэффициент детерминации R² до 0,92 для регрессионных моделей, предсказывающих геометрию лазерных канавок по параметрам обработки.
«Гибридный подход позволяет достичь высокой точности даже при ограниченном объёме экспериментальных данных. Это особенно важно для областей, где сбор данных дорог и трудоёмок, — например, в материаловедении и индустриальном контроле», — рассказал заместитель начальника научно-технического отдела НОЦ ФНС России и МГТУ им. Н.Э. Баумана, к.т.н. Владимир Бухтояров.
После секции состоялись обсуждения с исследователями из университетов США, Европы и Азии по методологическим аспектам (выбор архитектуры, интеграция физических ограничений) и потенциальным приложениям в смежных областях. Важным итогом участия стало установление профессиональных контактов.
В рамках CVPR 2026 представители МГТУ им. Н.Э. Баумана приняли участие в воркшопах по промышленной дефектоскопии, мультимодальной сегментации и физически точному моделированию объектов. Полученные знания послужат ориентирами для дальнейшего развития гибридных моделей и методов работы с ограниченными данными.