新加坡南洋理工大学（NTU）博士（PhD）申请攻略和导师简介

导师简介

如果你想申请新加坡南洋理工大学电气与电子工程学院的博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析南洋理工大学的Asst Prof Wen Bihan的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！

Asst Prof Wen Bihan是新加坡南洋理工大学电气与电子工程学院（EEE）的助理教授。他于2012年获得新加坡南洋理工大学电气与电子工程学士学位，2015年和2018年分别获得美国伊利诺伊大学香槟分校（UIUC）电气与计算机工程硕士和博士学位。教授的研究兴趣广泛，涵盖机器学习、计算成像、计算机视觉、图像和视频处理、人工智能模型安全性和鲁棒性等领域。其在多个国际会议中担任程序委员会成员或组织者，如ICIP、ICASSP、ICME等。他还担任IEEE CSVT的副主编。

研究领域

在教学方面，温教授主讲多门本科生和研究生课程，包括数据科学与人工智能导论、算法与数据结构、人工智能与数据挖掘、数字信号处理等。这些课程涵盖了他的主要研究领域，为学生提供扎实的理论基础和实践机会。

温教授的研究兴趣可以概括为以下几个方面：

1. 机器学习：深度学习、变换学习、强化学习、稀疏和低秩建模等；

2. 视觉信号处理：图像去噪、超分辨率、修复、低光照增强、阴影去除、压缩等；

3. 计算机视觉：鲁棒分类、分割、目标检测、人脸识别等；

4. 计算成像：磁共振成像（MRI）、计算机断层扫描（CT）、X射线、合成孔径雷达（SAR）、压缩感知等；

5. 人工智能安全：对抗攻击和防御、后门攻击、模型所有权验证等。

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.

这篇论文发表在《IEEE图像处理汇刊》上，主要研究结构化低秩矩阵分解在哈希学习中的应用。作者提出了一种新颖的哈希学习框架，通过利用数据的低秩结构，生成紧凑且具有判别力的哈希码。实验表明，该方法在图像检索任务上取得了优异的性能，体现了低秩先验在哈希学习中的重要作用。

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.

这篇论文发表在计算机视觉顶级会议ICCV上，提出了一种在线张量重建方案，用于视频去噪。作者巧妙地结合了自适应稀疏性和低秩性，设计了一种高效的在线学习算法，可以逐帧处理视频序列，同时利用时空相关性进行去噪。实验结果表明，该方法在视频去噪任务上优于现有的基于批处理的方法，展现出在线学习在视频处理中的优势。

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.

这篇论文发表在图像处理领域的重要会议ICIP上，提出了一种基于在线3D稀疏变换学习的视频去噪方法。作者设计了一种自适应的3D稀疏变换，可以同时捕捉视频序列的时空相关性，并通过在线学习的方式不断更新变换以适应视频内容的变化。实验结果表明，该方法在视频去噪任务上取得了优异的性能，同时具有较低的计算复杂度。

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.

这篇论文发表在ICCV上，提出了一种翻转和旋转不变的稀疏变换学习方法（FRIST）及其应用。作者设计了一种新颖的正则化项，鼓励学习到的稀疏变换具有翻转和旋转不变性，从而增强了变换的鲁棒性和泛化能力。在图像去噪和压缩感知重建等任务上，FRIST方法取得了优于传统稀疏变换学习方法的性能。

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.

这篇论文发表在信号处理领域的顶级会议ICASSP上，研究了变换学习在低秩张量补全问题中的应用。作者提出了一种新颖的变换学习框架，通过联合学习稀疏变换和低秩张量结构，实现了高效且鲁棒的张量补全。实验结果表明，该方法在图像和视频修复任务上优于现有的低秩张量补全方法。

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.

这篇论文发表在ICIP上，研究了稀疏性和低秩性在图像恢复任务中的结合。作者提出了一种新颖的变换学习框架，通过引入非局部低秩约束，同时利用图像的稀疏性和非局部自相似性进行恢复。实验结果表明，该方法在图像去噪和超分辨率等任务上取得了优异的性能，展示了非局部低秩先验在图像恢复中的有效性。

项目分析

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

该项目聚焦于水资源分配网络中智能传感器和仪表的数据驱动建模。研究内容包括开发新颖的机器学习算法，用于分析和预测水资源网络中的关键参数，如流量、压力和水质等。

Reliable Artificial Intelligence for Satellite On-board Imaging

该项目致力于开发面向卫星载荷成像的可靠人工智能技术。研究内容涵盖卫星图像处理、目标检测与识别、变化检测等方面，旨在提高卫星遥感数据的分析效率和自动化水平。

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

该项目旨在开发具有理论基础且鲁棒的人工智能技术，以应对现实世界中的各种挑战。研究内容涉及机器学习理论、鲁棒优化、对抗学习等方面，重点关注人工智能模型的可解释性、安全性和适应性。

研究想法

1、面向医学图像的鲁棒低秩表示学习

研究背景：医学图像（如MRI、CT等）通常具有高维特性和复杂的噪声干扰，给分析和处理带来挑战。温教授在低秩表示学习方面有丰富经验，可以考虑将其拓展至医学图像领域。

研究内容：

• 开发鲁棒的低秩表示学习算法，同时考虑医学图像的特定先验知识（如解剖结构）和噪声特性。
• 探索低秩表示在医学图像去噪、分割、配准等任务中的应用，提高医学图像处理的精度和效率。
• 研究低秩表示学习与深度学习的结合，发展端到端的医学图像分析方法。

2、基于稀疏表示的图像/视频内容安全鉴定

研究背景：当前，深度学习在图像视频分析领域取得了显著成果，但也存在安全隐患，如对抗攻击、隐私泄露等。温教授在稀疏表示和人工智能安全领域有独特见解，值得进一步探索。

研究内容：

• 利用稀疏表示的判别性，开发图像/视频内容真实性鉴定算法，自动识别篡改、造假等操作。
• 探索稀疏表示在对抗攻击检测与防御中的应用，增强视觉模型的鲁棒性。
• 研究基于稀疏表示的隐私保护机制，在保证分析性能的同时，保护敏感信息的安全。

3、面向计算成像的多尺度稀疏卷积网络设计

研究背景：计算成像技术（如压缩感知）旨在以较少的采样数据实现高质量图像重建。温教授在稀疏建模和计算成像方面有丰富经验，可以进一步探索深度学习与传统方法的融合。

研究内容：

• 设计多尺度稀疏卷积网络，同时考虑局部和全局信息，提高计算成像的重建质量。
• 探索自适应的采样策略与网络结构联合优化，减少采样数据量，提高重建效率。
• 研究面向不同成像场景（如MRI、CT、SAR等）的专用网络结构设计，提高重建性能。

4、基于变换学习的智能信号处理芯片设计

研究背景：变换学习在信号处理领域展现出优异性能，但其计算复杂度较高，在资源受限的嵌入式场景应用受限。温教授在变换学习方面有深入研究，有潜力将其拓展至芯片设计领域。

研究内容：

• 设计专用于变换学习的高效芯片架构，实现算法的低功耗、实时处理。
• 探索变换学习算法的量化和剪枝技术，在保证性能的同时降低芯片面积和功耗。
• 研究面向不同应用场景（如无线通信、传感器信号处理等）的定制化芯片设计方案。

申请建议

夯实基础知识：温教授的研究涉及机器学习、计算机视觉、信号处理等多个领域，因此需要学生具备扎实的数学、统计学、优化理论等基础知识。建议在本科和硕士阶段深入学习相关课程，并参加一些高级课程或专题讨论班，拓展自己的知识范围。

熟悉研究领域：仔细阅读温教授的代表性论文，了解他在稀疏表示、低秩建模、图像视频处理等领域的最新研究进展和主要贡献。同时，关注相关领域的顶级会议和期刊，如CVPR、ICCV、ICML、NeurIPS、IEEE TIP等，掌握领域内的前沿动态和研究热点。

提升编程能力：温教授的研究涉及大量的算法实现和实验验证，因此需要学生具备扎实的编程能力。建议学生深入学习Python、MATLAB等编程语言，掌握主流的深度学习框架如PyTorch、TensorFlow等。同时，积极参与一些开源项目或编程竞赛，锻炼自己的编程能力和解决问题的能力。

积累研究经验：在申请之前，积极参与科研项目或实习，获得一定的研究经验。可以尝试在导师的指导下完成一些小型研究项目，锻炼自己的科研能力和独立思考能力。同时，争取在相关领域的会议或期刊上发表一些论文，展示自己的研究能力和创新性。

与导师沟通交流：提前套磁与温教授沟通交流，表达自己的研究兴趣和学习意愿。可以通过邮件或视频面谈的方式，与导师讨论自己的研究想法和学习计划，了解导师的研究方向和实验室文化。