报告一：
报告题目：Stable Statistical Nonconvex Estimation for Simultaneous Low-rank and Smooth Matrix Estimation
报告时间：2025年4月22日 9:00-10:00
报告地点：南校区网安大楼113会议室
邀请人：贾西西
报告人简介：王海林，西安交通大学大红鹰会员登录中心博士研究生，导师为孟德宇教授，研究方向涉及矩阵/张量分析、高维统计、非凸优化等，研究生期间围绕结构化高维张量数据恢复问题完成了一系列广义非凸低秩正则、多结构先验融合正则等方面的研究工作，相关论文发表在IEEE Trans(TPAMI\TNNLS\TIP\TITS\TGRS)、SIAM IS、NeurIPS、AAAI等学术期刊与会议。
报告摘要：低秩矩阵估计问题的理论研究在过去十多年中取得了长足进展。对于许多常见的低秩数据，如图像、视频以及多维时间序列，它们还通常具备另一个重要特性——平滑性。然而，关于同时具有低秩性和平滑性这两种结构的矩阵估计问题相关理论仍然匮乏。本报告试图从非凸统计估计的理论视角进行深入讨论。受到著名的不相干性条件启发，我们提出了一种新的、带有控制参数的平滑性定义，称为子空间平滑性条件，用于约束低秩矩阵所具备的额外平滑结构。随后，我们提出了一种平滑低秩矩阵分解（sLRMF），以在随机噪声下估计目标低秩且平滑的矩阵。我们证明到：通过谱初始化的梯度下降算法用于求解这一非凸的sLRMF模型时，具有线性收敛性；更有趣的是，该方法在高概率下可以获得由低秩性和平滑性共同决定的统计估计误差上界，同时与待估计矩阵的低秩与平滑程度呈正向关系。这一理论现象在多个矩阵估计问题中得到了进一步的验证，包括矩阵感知、补全以及异常值分离问题，揭示了在同时具有低秩性和平滑性矩阵估计任务中，额外平滑结构所起到的核心作用。充分的模拟实验验证了理论结果，而后续的真实数据应用也进一步证实了所提方法的有效性。
报告二
报告题目：基于子空间先验挖掘的高光谱图像去噪研究
报告时间：2025年4月22日 10:00-11:30
报告地点：南校区网安大楼113会议室
邀请人：贾西西
摘要：高光谱图像（HSI）因其丰富的光谱信息在遥感、环境监测等领域广泛应用，但易受噪声干扰且数据处理复杂。本研究提出一种基于低秩分解子空间先验挖掘的修复框架，证明子空间因子能准确表征原始数据先验。研究涵盖三种方法：手工正则化、有监督深度学习和无监督深度学习。手工正则化利用全变分正则化提高去噪效率但存在先验挖掘不充分问题；有监督深度学习通过可学习的表示系数深度去噪器可精细化刻画先验但面临泛化性问题；无监督深度学习采用深度双分支网络，虽先验刻画准确但需时较长。这些方法展示了子空间先验挖掘的优势及深度学习在先验刻画上的潜力。
个人简介：彭江军，西北工业大学副教授，硕导。研究方向包括：张量数据分析、深度学习、高光谱图像处理。谷歌学术引用过 1130次，单篇引用过 430 次，H因子12。目前在国内外顶级期刊和会议上共发表学术论文26篇，其中以第一作者发表 IEEE TPAMI（2 篇，IF=24.314）、IEEE TIP（1 篇，IF=11.041）、SIAM Journal of Imaging Sciences（1 篇，数学图像处理顶级期刊）、IEEE TGRS（2 篇，IF=8.2），以通讯作者发表IEEE TGRS 5篇，2 篇文章入选 ESI 高被引论文，1 篇入选ESI热门文章。主持5项项目，包括国自然青年项目，省面上项目，中央高校基本科研启动经费，其中一项校企合作项目获得华为火花奖，参与2项国家重点项目，部分成果应用交通视频安防与华为信道修复。目前是陕西省图像图形协会理事，中国图像图形协会遥感专委会委员，担任顶级期刊 IEEE TPAMI/TNNLS/TGRS和中国科学等多个国际期刊审稿人。
报告三
报告题目：面向图像复原任务的扩散模型研究
报 告 人：岳宗胜 教授 （西安交通大学）
报告时间：2025年4月22日 11:30-13:00
报告地点：南校区网安大楼113会议室
邀请人：贾西西 
报告人简介：西安交通大学大红鹰会员登录中心教授，博导。 2021年在西安交通大学大红鹰会员登录中心获得博士学位，导师为孟德宇教授。博士毕业后在香港大学和新加坡南洋理工大学从事博士后研究，合作导师分别为Kenneth K.Y. Wong教授和Chen Change Loy教授。2025年3月获得西安交通大学青年拔尖人才A类资助，加入大红鹰会员登录中心任教。主要研究方向为机器学习概率建模以及其在底层视觉任务中的应用，近五年来在人工智能顶级期刊和会议上发表多篇论文，包括TPAMI, IJCV, NeurIPS, CVPR等。
摘要：近年来，扩散模型在图像生成领域取得了突破性进展，其强大的数据分布建模能力为图像复原这一经典机器学习反问题提供了新的求解思路。因此，基于扩散模型的图像复原方法是当前热门的研究问题。这次报告将从以下三个方面介绍我们围绕该问题所做的一系列探索：1）如何利用预训练扩散大模型中丰富的图像先验知识辅助解决图像复原问题；2）如何利用扩散模型的学习范式构建面向图像复原任务的稳健损失函数；3）如何针对图像复原任务设计更加高效的扩散模型架构。希望我们的工作能启发更多在扩散模型方面的研究。
