为深化与数学、图像处理及其相关领域国内外专家学者之间的交流与合作，12月7日，新葡的京集团3512vip(股份)有限公司主办的“图像处理中的数学问题研讨会”在小木屋一楼顺利召开，十余位图像处理及相关领域的专家学者共同开展学科前沿问题研讨。在研讨会开幕式上，学院创始院长孔德兴发表了热情洋溢的致辞，对各位专家学者共聚师大小木屋开展前沿研讨表示热烈欢迎，并衷心感谢他们对新葡的京集团3512vip(股份)有限公司发展的宝贵支持。学院杰出教授袁景也向与会专家表达了对新葡的京集团3512vip(股份)有限公司发展鼎力相助的感激之情。开幕式由学院副院长黄守军教授主持。

图像处理中的数学问题研讨会专题报告环节共分为四个单元。来自香港中文大学、清华大学、上海交通大学、西安交通大学、哈尔滨工业大学、西南大学、西北大学、暨南大学、南昌大学、南京邮电大学以及山东师范大学等多所高校的专家学者，围绕成像技术、影像分析及人工智能等国内外数学图像处理的最新研究成果与发展趋势，进行了专题报告，并就这些前沿话题展开了深入的研讨与交流。

香港中文大学曾铁勇教授的报告题目为“Scene Recovery: Combining Visual Enhancement and Resolution Improvement”。报告提出视觉增强与分辨率提升变分场景恢复模型，借散射光图估算与深度超分辨率网络，融合 sPADMM 算法。经大量场景测试，其在雾霾、沙尘等复杂情境下表现卓越，有效攻克图像增强难题，减少伪影与失真，提升可见度与分辨率。

      西南大学王建军教授的报告题目为“基于张量表示的高维数据建模: 理论、算法与应用”。目前张量表示技术取得了长足的发展。张量表示方法的发展和进步显著提升了对数据的表述和分析能力，为解决实际问题提供了关键的数学工具，此次报告重点围绕张量表示基础理论、发展现状、应用实践、未来发展趋势等内容进行了深入探讨。

暨南大学温金明教授进行了题为“稀疏重构理论、算法及应用简介”的报告。温教授表示，在通信、信号处理、物联网等很多实际应用中，常常需要从一个带有噪声的线性模型中重构一个稀疏信号。他首先介绍了稀疏重构的应用背景，然后介绍了几类著名的稀疏重构算法以及它们的性能分析，最后介绍并分析了稀疏重构面临的瓶颈，为信号精准提取指明了方向。

       南昌大学刘且根教授的报告题目为“面向原始数据域的生成式智能成像算法研究”。刘教授向大家介绍了其团队近五年面向原始数据域进行生成式人工智能的成像重建工作。通过将数据变换融入迭代生成，实现高效稳健的扩散模型重建算法。以此为基础，其团队开展了从多数据到少数据收集学习、从规则样本到非规则样本建模、从单模型到多模型设计的系列创新，实现精准重建且适应面广的系列生成式智能成像算法。

哈尔滨工业大学郭志昌教授的报告题为“A Diffusion Equation for Improving the Robustness of Deep Learning Speckle Removal Model”，其在报告中介绍了一种基于扩散方程的斑点噪声去除模型，旨在提高深度学习模型对抗对抗性攻击的鲁棒性。该模型通过结合深度学习图像先验和灰度检测算子来构建扩散方程的系数函数。即使深度学习先验不准确，也不会对模型的噪声去除能力产生负面影响。

西安交通大学王仁振助理教授在题为“基于标签层次转移的分类模型”的报告中介绍了标签层级转换，提出了一种基于深度学习的统一概率框架——标签层级转换（LHT），以解决层级分类面临的挑战。LHT框架包含一个转换网络和一个混淆损失，能够有效编码类别层级中潜在的关联。针对一系列公开的层级分类问题基准数据集进行了实验，结果表明，所提的方法在性能上超越了当前最先进的方法。

      西北大学贺小伟教授以“基于机器学习的新型分子影像成像方法研究”为题，解读了分子影像原理为实现精准医疗提供的新机遇。贺教授在报告中介绍了光学分子影像和磁粒子成像技术的基本成像原理，并围绕三维影像重建主要介绍多目标重建、动态荧光分子成像、融合多模态信息的数据驱动深度学习重建方法、可解释的图注意力迭代收缩网络、以及磁粒子成像中的超分辨系统矩阵生成和基于双分支多磁方向特征融合的重建网络。基于机器学习的成像方法研究能够为分子影像的理论研究和应用转化提供了理论支撑。

      山东师范大学宋义壮教授的报告题为“A nonlinear weighted anisotropic total variation regularization and its applications”。宋教授介绍了一种非线性加权各向异性全变分（NWATV）正则化技术，并给出其在电阻抗成像（EIT）和计算机断层扫描（CT）中的一些应用。该技术的核心思想是将内部不均匀性信息（例如被检测物体的边缘）纳入重建过程，旨在保留待检测的轮廓。

      南京邮电大学金正猛教授在题为“Regularized Segmentation CNNs Based on Geodesic Active Contour and Edge Predictor”的报告中，向大家介绍了一种基于测地线活动轮廓（GAC）和边缘预测器的新型正则化卷积神经网络，用于图像分割。主要思想是建立一个包含Heaviside函数的变分问题，以便轻松地将GAC先验添加到问题中。此外，还设计了一个边缘预测器模块来预测目标对象的边缘，并生成边缘预测函数，以替代GAC中传统的边缘指示函数。

清华大学李亮副教授在题为“稀疏数据CT成像进展及问题讨论”的报告中说道，得益于知识模型与数据学习融合迭代重建理论的兴起与发展，稀疏数据CT成像技术应运而生，研究范围涵盖了从百余个、几十个、几个乃至单一角度的CT成像方法。该技术在超低剂量成像、超快速过程动态捕捉以及特殊物理环境下的成像等方面展现出巨大潜力。李教授首先概述了稀疏数据CT成像的基本原理，随后深入介绍了图像重建算法的最新进展，并对当前面临的技术挑战与尚未解决的问题进行了剖析与讨论。

上海交通大学丁乔乔助理研究员的报告题为“Generative Models for Medical Imaging: Bi-modality Image Transfer”，其在报告中介绍了医学图像合成的目的是根据其他已观测到的数据模态生成未获取的图像模态。合成图像可用于临床辅助诊断、模型训练和验证的数据增强或图像质量提升，并介绍了团队近期关于双模态图像转换的研究工作。

我院教师范晓鸿博士做了题为“算法驱动的深度展开医学图像重建网络研究”报告。其改进了现有深度展开网络结构设计的数学理论解释性不强的不足,充分利用了各种正则先验选择偏好和数学理论设计网络,实现了通过单一模型重建多稀疏角度CT。

最后，黄守军副院长发表了总结致辞，高度赞扬了与会专家们所呈现的精彩报告，并对他们为学院建设与发展所提供的宝贵支持与贡献表达了诚挚的感谢。

      本场研讨会围绕成像技术革新、影像深度分析及人工智能融合等数学图像处理领域的最新研究成果与未来趋势，进行了一系列精彩的专题报告，并针对这些前沿议题展开了全面而深入的探讨与交流。本次研讨会不仅是数学图像处理领域学术交流的平台，更推动了图像处理的技术创新与应用拓展。