在自然语言与视觉理解的前沿探索中，云基智能机器人实验室多模态感知组以Referring Image Segmentation（RIS，引用式图像分割）为研究核心，聚焦于语言驱动的高精度像素级目标定位与掩模生成。针对现有方法在语义对齐与细节优化上的不足，团队创新性地提出了语义感知三元优化网络（Semantics-Aware Triadic Refinement Network, SATR），在跨模态交互与空间细节恢复上取得突破性进展。

实验表明，SATR在RefCOCO系列基准数据集上超越现有最优方法（如LAVT、VLT），刷新了RIS任务的性能上限。其端到端架构在保持高精度的同时显著提升推理效率，为人机交互对话系统、智能图像编辑工具等场景提供了可靠的技术支撑。

此项研究不仅为多模态语义理解与细节敏感型分割任务开辟了新路径，更在算法通用性上展现出潜力——SATR框架可扩展至视频目标分割、3D场景理解等跨模态任务，为智能系统的环境感知与决策能力提升注入新动能。