新加坡南洋理工大學（NTU）博士（PhD）申請攻略和導師簡介

導師簡介

如果你想申請新加坡南洋理工大學電氣與(yu) 電子工程學院的博士，那今天這期文章解析可能對你有用！今天Mason學長為(wei) 大家詳細解析南洋理工大學的Asst Prof Wen Bihan的研究領域和代表文章，同時，我們(men) 也推出了新的內(nei) 容“科研想法&開題立意”，為(wei) 同學們(men) 的科研規劃提供一些參考，並且會(hui) 對如何申請該導師提出實用的建議！方便大家進行套磁！後續我們(men) 也將陸續解析其他大學和專(zhuan) 業(ye) 的導師，歡迎大家關(guan) 注！

Asst Prof Wen Bihan是新加坡南洋理工大學電氣與(yu) 電子工程學院（EEE）的助理教授。他於(yu) 2012年獲得新加坡南洋理工大學電氣與(yu) 電子工程學士學位，2015年和2018年分別獲得美國伊利諾伊大學香檳分校（UIUC）電氣與(yu) 計算機工程碩士和博士學位。教授的研究興(xing) 趣廣泛，涵蓋機器學習(xi) 、計算成像、計算機視覺、圖像和視頻處理、人工智能模型安全性和魯棒性等領域。其在多個(ge) 國際會(hui) 議中擔任程序委員會(hui) 成員或組織者，如ICIP、ICASSP、ICME等。他還擔任IEEE CSVT的副主編。

研究領域

在教學方麵，溫教授主講多門本科生和研究生課程，包括數據科學與(yu) 人工智能導論、算法與(yu) 數據結構、人工智能與(yu) 數據挖掘、數字信號處理等。這些課程涵蓋了他的主要研究領域，為(wei) 學生提供紮實的理論基礎和實踐機會(hui) 。

溫教授的研究興(xing) 趣可以概括為(wei) 以下幾個(ge) 方麵：

1. 機器學習(xi) ：深度學習(xi) 、變換學習(xi) 、強化學習(xi) 、稀疏和低秩建模等；

2. 視覺信號處理：圖像去噪、超分辨率、修複、低光照增強、陰影去除、壓縮等；

3. 計算機視覺：魯棒分類、分割、目標檢測、人臉識別等；

4. 計算成像：磁共振成像（MRI）、計算機斷層掃描（CT）、X射線、合成孔徑雷達（SAR）、壓縮感知等；

5. 人工智能安全：對抗攻擊和防禦、後門攻擊、模型所有權驗證等。

研究分析

B. Wen, S. Ravishankar, and Y. Bresler, "Structured Low-Rank Matrix Factorization for Hashing," IEEE Transactions on Image Processing, vol. 28, no. 6, pp. 3077-3089, June 2019.

這篇論文發表在《IEEE圖像處理匯刊》上，主要研究結構化低秩矩陣分解在哈希學習(xi) 中的應用。作者提出了一種新穎的哈希學習(xi) 框架，通過利用數據的低秩結構，生成緊湊且具有判別力的哈希碼。實驗表明，該方法在圖像檢索任務上取得了優(you) 異的性能，體(ti) 現了低秩先驗在哈希學習(xi) 中的重要作用。

B. Wen, Y. Li, L. Pfister, and Y. Bresler, "Joint Adaptive Sparsity and Low-Rankness on the Fly: An Online Tensor Reconstruction Scheme for Video Denoising," Proc. of IEEE International Conference on Computer Vision (ICCV), 2017, pp. 241-250.

這篇論文發表在計算機視覺頂級會(hui) 議ICCV上，提出了一種在線張量重建方案，用於(yu) 視頻去噪。作者巧妙地結合了自適應稀疏性和低秩性，設計了一種高效的在線學習(xi) 算法，可以逐幀處理視頻序列，同時利用時空相關(guan) 性進行去噪。實驗結果表明，該方法在視頻去噪任務上優(you) 於(yu) 現有的基於(yu) 批處理的方法，展現出在線學習(xi) 在視頻處理中的優(you) 勢。

B. Wen, S. Ravishankar, and Y. Bresler, "Video Denoising by Online 3D Sparsifying Transform Learning," Proc. of IEEE International Conference on Image Processing (ICIP), 2015, pp. 118-122.

這篇論文發表在圖像處理領域的重要會(hui) 議ICIP上，提出了一種基於(yu) 在線3D稀疏變換學習(xi) 的視頻去噪方法。作者設計了一種自適應的3D稀疏變換，可以同時捕捉視頻序列的時空相關(guan) 性，並通過在線學習(xi) 的方式不斷更新變換以適應視頻內(nei) 容的變化。實驗結果表明，該方法在視頻去噪任務上取得了優(you) 異的性能，同時具有較低的計算複雜度。

B. Wen, S. Ravishankar, and Y. Bresler, "FRIST: Flipping and Rotation Invariant Sparsifying Transform Learning and Applications," Proc. of IEEE International Conference on Computer Vision (ICCV), 2015, pp. 2449-2457.

這篇論文發表在ICCV上，提出了一種翻轉和旋轉不變的稀疏變換學習(xi) 方法（FRIST）及其應用。作者設計了一種新穎的正則化項，鼓勵學習(xi) 到的稀疏變換具有翻轉和旋轉不變性，從(cong) 而增強了變換的魯棒性和泛化能力。在圖像去噪和壓縮感知重建等任務上，FRIST方法取得了優(you) 於(yu) 傳(chuan) 統稀疏變換學習(xi) 方法的性能。

B. Wen, S. Ravishankar, L. Pfister, and Y. Bresler, "Transform Learning for Low-Rank Tensor Completion," Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2020, pp. 3927-3931.

這篇論文發表在信號處理領域的頂級會(hui) 議ICASSP上，研究了變換學習(xi) 在低秩張量補全問題中的應用。作者提出了一種新穎的變換學習(xi) 框架，通過聯合學習(xi) 稀疏變換和低秩張量結構，實現了高效且魯棒的張量補全。實驗結果表明，該方法在圖像和視頻修複任務上優(you) 於(yu) 現有的低秩張量補全方法。

B. Wen, Y. Li, and Y. Bresler, "When Sparsity Meets Low-Rankness: Transform Learning with Non-Local Low-Rank Constraint for Image Restoration," Proc. of IEEE International Conference on Image Processing (ICIP), 2017, pp. 2297-2301.

這篇論文發表在ICIP上，研究了稀疏性和低秩性在圖像恢複任務中的結合。作者提出了一種新穎的變換學習(xi) 框架，通過引入非局部低秩約束，同時利用圖像的稀疏性和非局部自相似性進行恢複。實驗結果表明，該方法在圖像去噪和超分辨率等任務上取得了優(you) 異的性能，展示了非局部低秩先驗在圖像恢複中的有效性。

項目分析

Data-driven Models For Analyzing Smart Sensors And Meters In Water Distribution Networks

該項目聚焦於(yu) 水資源分配網絡中智能傳(chuan) 感器和儀(yi) 表的數據驅動建模。研究內(nei) 容包括開發新穎的機器學習(xi) 算法，用於(yu) 分析和預測水資源網絡中的關(guan) 鍵參數，如流量、壓力和水質等。

Reliable Artificial Intelligence for Satellite On-board Imaging

該項目致力於(yu) 開發麵向衛星載荷成像的可靠人工智能技術。研究內(nei) 容涵蓋衛星圖像處理、目標檢測與(yu) 識別、變化檢測等方麵，旨在提高衛星遙感數據的分析效率和自動化水平。

Theoretical-Grounded and Robust Artificial Intelligence for Real-World Challenges

該項目旨在開發具有理論基礎且魯棒的人工智能技術，以應對現實世界中的各種挑戰。研究內(nei) 容涉及機器學習(xi) 理論、魯棒優(you) 化、對抗學習(xi) 等方麵，重點關(guan) 注人工智能模型的可解釋性、安全性和適應性。

研究想法

1、麵向醫學圖像的魯棒低秩表示學習(xi)

研究背景：醫學圖像（如MRI、CT等）通常具有高維特性和複雜的噪聲幹擾，給分析和處理帶來挑戰。溫教授在低秩表示學習(xi) 方麵有豐(feng) 富經驗，可以考慮將其拓展至醫學圖像領域。

研究內(nei) 容：

• 開發魯棒的低秩表示學習算法，同時考慮醫學圖像的特定先驗知識（如解剖結構）和噪聲特性。
• 探索低秩表示在醫學圖像去噪、分割、配準等任務中的應用，提高醫學圖像處理的精度和效率。
• 研究低秩表示學習與深度學習的結合，發展端到端的醫學圖像分析方法。

2、基於(yu) 稀疏表示的圖像/視頻內(nei) 容安全鑒定

研究背景：當前，深度學習(xi) 在圖像視頻分析領域取得了顯著成果，但也存在安全隱患，如對抗攻擊、隱私泄露等。溫教授在稀疏表示和人工智能安全領域有獨特見解，值得進一步探索。

研究內(nei) 容：

• 利用稀疏表示的判別性，開發圖像/視頻內容真實性鑒定算法，自動識別篡改、造假等操作。
• 探索稀疏表示在對抗攻擊檢測與防禦中的應用，增強視覺模型的魯棒性。
• 研究基於稀疏表示的隱私保護機製，在保證分析性能的同時，保護敏感信息的安全。

3、麵向計算成像的多尺度稀疏卷積網絡設計

研究背景：計算成像技術（如壓縮感知）旨在以較少的采樣數據實現高質量圖像重建。溫教授在稀疏建模和計算成像方麵有豐(feng) 富經驗，可以進一步探索深度學習(xi) 與(yu) 傳(chuan) 統方法的融合。

研究內(nei) 容：

• 設計多尺度稀疏卷積網絡，同時考慮局部和全局信息，提高計算成像的重建質量。
• 探索自適應的采樣策略與網絡結構聯合優化，減少采樣數據量，提高重建效率。
• 研究麵向不同成像場景（如MRI、CT、SAR等）的專用網絡結構設計，提高重建性能。

4、基於(yu) 變換學習(xi) 的智能信號處理芯片設計

研究背景：變換學習(xi) 在信號處理領域展現出優(you) 異性能，但其計算複雜度較高，在資源受限的嵌入式場景應用受限。溫教授在變換學習(xi) 方麵有深入研究，有潛力將其拓展至芯片設計領域。

研究內(nei) 容：

• 設計專用於變換學習的高效芯片架構，實現算法的低功耗、實時處理。
• 探索變換學習算法的量化和剪枝技術，在保證性能的同時降低芯片麵積和功耗。
• 研究麵向不同應用場景（如無線通信、傳感器信號處理等）的定製化芯片設計方案。

申請建議

夯實基礎知識：溫教授的研究涉及機器學習(xi) 、計算機視覺、信號處理等多個(ge) 領域，因此需要學生具備紮實的數學、統計學、優(you) 化理論等基礎知識。建議在本科和碩士階段深入學習(xi) 相關(guan) 課程，並參加一些高級課程或專(zhuan) 題討論班，拓展自己的知識範圍。

熟悉研究領域：仔細閱讀溫教授的代表性論文，了解他在稀疏表示、低秩建模、圖像視頻處理等領域的最新研究進展和主要貢獻。同時，關(guan) 注相關(guan) 領域的頂級會(hui) 議和期刊，如CVPR、ICCV、ICML、NeurIPS、IEEE TIP等，掌握領域內(nei) 的前沿動態和研究熱點。

提升編程能力：溫教授的研究涉及大量的算法實現和實驗驗證，因此需要學生具備紮實的編程能力。建議學生深入學習(xi) Python、MATLAB等編程語言，掌握主流的深度學習(xi) 框架如PyTorch、TensorFlow等。同時，積極參與(yu) 一些開源項目或編程競賽，鍛煉自己的編程能力和解決(jue) 問題的能力。

積累研究經驗：在申請之前，積極參與(yu) 科研項目或實習(xi) ，獲得一定的研究經驗。可以嚐試在導師的指導下完成一些小型研究項目，鍛煉自己的科研能力和獨立思考能力。同時，爭(zheng) 取在相關(guan) 領域的會(hui) 議或期刊上發表一些論文，展示自己的研究能力和創新性。

與(yu) 導師溝通交流：提前套磁與(yu) 溫教授溝通交流，表達自己的研究興(xing) 趣和學習(xi) 意願。可以通過郵件或視頻麵談的方式，與(yu) 導師討論自己的研究想法和學習(xi) 計劃，了解導師的研究方向和實驗室文化。