报告人：查志远
报告地点：数学与统计学院111教室
报告时间：2024年11月25日星期一15:30-16:30
邀请人：刘俊
报告摘要：
近年来，利用深度模型的研究在多种图像复原（IR）任务中取得了优异的效果。然而，这类方法通常是有监督的，需要与待恢复图像分布相似的大量训练图像。而传统的浅层方法通常是无监督的，在许多逆问题（如图像去模糊和图像压缩感知）中依然表现出有竞争力的性能，因为它们可以有效利用自然图像的非局部自相似先验。然而，这些方法大多基于图像块，导致图像块聚合时出现伪影，并且计算速度较慢。单独使用深度或浅层方法通常会限制图像复原任务的性能和泛化能力。本研究提出了一种联合低秩和深度（LRD）的图像模型，该模型包含一对多重互补先验：内部和外部先验、浅层和深层先验，以及非局部和局部先验。基于该模型，设计了一种新的混合插拔式（H-PnP）框架用于图像复原，并提出了一种简单而高效的算法来求解基于H-PnP的图像复原问题。在多个具有代表性的图像复原任务（包括图像去模糊、图像压缩感知和图像去块效应）上的广泛实验表明，所提出的H-PnP算法在客观指标和视觉感知方面均优于多种流行或最新的图像复原方法。
主讲人简介：
查志远，国家级青年人才，吉林大学唐敖庆英才教授，博士生导师。曾担任新加坡南洋理工大学电气与电子工程学院高级研究员（Senior Research Fellow），目前从事图像视频处理、稀疏信号处理、机器学习与人工智能方面的研究工作。在国际期刊和会议上以第一作者发表论文30多篇，包括IEEE SPM、 IEEE TIP、IEEE TNNLS以及IEEE TCYB等。 他曾以第一作者身份荣获国际多媒体旗舰会议IEEE International Conference on Multimedia and Expo最佳论文铂金奖和最佳论文Runner-Up奖。他目前担任国际人工智能、图像处理顶级期刊IEEE Transactions on Image Processing编委（Associate Editor）、Signal Processing期刊和The Visual Computer期刊的编委。主持国家自然科学基金面上项目。
学校主页