人工智能已经上升至国家战略。信息化向智能化迈进是大势所趋，智能化将是人类社会下一个技术形态的标志。人脑是自然界几亿年进化的高级智能产物，具有超高的智能和超强的鲁棒性。揭示人脑信息处理机制，从脑科学和神经科学获得启发，发展类脑智能技术，是实现信息化向智能化跨越的最佳途径。其中，以事件相机为基础的神经拟态计算和脑神经、脑认知启发的神经网络设计是研究组主攻的重要方向。

图像复原是图像退化的逆过程,旨在恢复出退化前的图像信息,是图像处理领域重要的研究课题。近十年来,深度学习实现了长足的进步,极大地推动了图像复原技术的发展。但是图像复原领域在取得一系列突破之后,发展逐渐放缓。另外,基于深度学习的图像复原方法由于任务的不适定性,复原结果模糊,视觉质量欠佳。如何解决上述两方面问题,是当今图像复原领域的重要方向。

近年来,面向平安城市、智慧城市等安防工程的重大需求，视频监控系统已经在全国各地被广泛地部署。大规模视频监控网络每天产生海量的视频数据，传统的人工数据分析手段已远不能满足现阶段的安防需求。因此智能视频监控系统备受科研机构和公安部门关注。行人再识别是智能视频监控系统中的关键一环，该技术旨在判断不同摄像头采集到的不同行人图像/视频是否为同一目标行人。行人再识别技术能够在大规模数据库中对特定行人进行快速有效地检索追踪，它已成为计算机视觉和多媒体分析等领域的热门研究方向。

深度学习的出现极大地推动了人工智能的发展，但与真正的人类智慧不同，深度学习在小样本情况下的推理能力较弱。小样本学习的目标是在训练样本数量不足的情况下提升机器学习模型的学习能力，增强泛化性能和对训练数据的高效利用，这是通向真正的人工智能的必经之路。增量学习是人工智能领域的重要研究方向，旨在让模型持续学习多个任务而不重复学习先前数据。虽然增量学习取得了进展，但在实际应用中仍需解决理论问题和关键技术，如灾难性遗忘问题。持续学习和灵活性是增量学习的关键挑战，需要进一步研究和探索。

随着人工智能技术的发展和计算能力的提升，深度学习技术快速发展，人工智能已经在计算机视觉、自然语言处理等领域广泛运用。深度学习技术的安全问题也越来越引起各方面的重视。针对政治或公众人物的深度伪造视频层出不穷，造成了恶劣的负面影响。为此，如何对深度学习模型篡改后的信息进行鉴别成为了一个重要的研究方向。

具身智能的研究意义在于揭示人类认知的本质，推动智能技术的发展，提高智能系统的适应性和交互性，促进学科交叉合作，为未来智能系统的设计和应用提供重要指导，实现更自然、高效、人性化的人机交互。研究组重点关注如何从人类自然行为中获取操作技能，旨在实现具身智能体的技能表示、迁移和增长。