近日，厦门大学信息学院王菡子教授团队在计算机视觉鲁棒模型拟合领域取得重要突破，相关研究成果发表于人工智能顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence。鲁棒模型拟合是应对噪声与异常值数据的基础任务，传统方法计算效率低且忽视数据分布偏好，现有深度学习方法受限于静态坐标表示与局部感受野，难以有效捕捉复杂动态场景的运动线索。为此，团队提出MPCFormer新架构，将对应学习与时空运动特征深度融合，彻底摒弃迭代采样机制，将模型拟合重构为点分类与参数估计的联合优化框架。该架构核心在于运动感知Transformer模块，通过多通道偏好过滤器自适应建模数据分布并抑制异常值干扰，同时借助金字塔共识平滑器构建多尺度特征金字塔，分层捕获局部至全局的运动一致性，精准化解空间不连续引发的运动歧义。实验数据显示，该方法在关键评估指标上全面超越现有最优基线，显著优化了运动结构恢复精度，为智能视觉系统研发开辟了新技术路径。该论文由博士生尹文玉领衔完成，获国家自然科学基金等多项资助。