本校電機工程系黃有評講座教授與指導之博士生Satchidanand Kshetrimayum獲頒IEEE SMC 2025 「IEEE SMC Franklin Taylor Best Paper Award」，今年IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC2025)國際研討會於10月5-8日在奧地利維也納舉辦，今年超過2,100篇創紀錄論文投稿，經評審後大會接受1,200篇發表，最後有5篇獲得審查委員推薦角逐最佳論文獎。黃有評講座教授於10月7日中午親自上台報告論文並接受5位評審委員逐一提問，於大會晚宴前頒獎典禮會場，評審團宣布黃講座教授與學生合著論文獲得本屆大會唯一最佳論文獎。
國際電機電子工程師學會IEEE (Institute of Electrical, Electronic, and Engineers)是全世界最大的技術專業組織，擁有來自全球超過190個國家48萬多會員，設有39個專業委員會（Society），其中SMC Society有7,000多名會員，國內亦有成立IEEE SMC Taipei Chapter，黃講座教授曾擔任SMC Taipei Chapter主席二任4年、3年IEEE SMC BoG，現擔任第二任IEEE SMC Society Vice President for Conferences and Meetings。
黃講座教授與學生合著論文題目是HAF-Net: Hierarchical Attention Fusion Network for Multimodal Image Fusion，主要是探討人工智慧與醫學影像的融合技術，研究動機在於現有基於深度學習的融合方法通常存在僅能保留有限細節，以及跨空間和通道維度的注意力模型效率不彰等問題。藉由融合來自MRI、PET和SPECT等不同型態的醫學影像將有助於透過結合其互補特徵來提高診斷精度。
本研究提出一種名為分層注意力融合網路（HAF-Net）的創新框架，用於實現穩健且高品質的醫學影像融合。此模型結合分層特徵聚合（HFA）模組來擷取尺度自適應特徵，以及殘差注意力卷積（RAC）模組，並利用梯度感知的空域和頻率域資訊來增強細膩度細節。此外，還引入一種多光譜頻率感知通道注意力（MFCA）機制來捕捉跨多個頻帶的判別性特徵，並設計一個交叉交互注意力模組（CIAM）來聯合建模空間與通道關係，採用自適應融合加權（AFW）策略，根據情境相關性動態地組合多尺度特徵。在標準 PET/MRI 和 SPECT/MRI 資料集上進行的大量實驗顯示，HAF-Net 的性能優於最先進的融合方法，實驗結果亦驗證所提出的模組在保留融合醫學影像結構完整性和增強細節方面的有效性。
黃講座教授研究團隊除本國生外，一直有多位外籍生參與研究，包含印度、印尼、越南、史瓦帝尼、蒙古等碩博士生，專注在人工智慧、物聯網、控制系統的整合，強調務實致用與產業落地使用，應用範圍涵蓋健康照護領域、產品與製程瑕疵檢測、智慧農業與養殖系統設計，曾獲國科會傑出研究獎與未來科技獎等肯定。