报告1题目：Fast and Provable Nonconvex Tensor RPCA via Alternating Projections

摘要：In this work, we study nonconvex tensor robust principal component analysis (RPCA) based on the t-SVD. We first propose an alternating projection method, ie, APT, which converges linearly to the ground-truth under the incoherence conditions of tensors. However, as the projection to the low-rank tensor space in APT can be slow, we further propose to speedup such a process by utilizing the property of the tangent space of low-rank tensors. The resulting algorithm, i.e., EAPT, is not only more efficient than APT but also keeps the linear convergence. Compared with existing tensor RPCA works, the proposed method, especially EAPT, is not only more effective due to the recovery guarantee and adaption in the transformed (frequency) domain but also more efficient due to faster convergence rate and lower iteration complexity. These benefits are also empirically verified both on synthetic data, and real applications, e.g., hyperspectral image denoising and video background subtraction.

个人介绍：王尧，西安交通大学应用数学专业博士, 西安交通大学管理科学与工程专业博士后。现为西安交通大学智能决策与机器学习研究中心教授、博士生导师。王尧的主要研究方向为机器学习方法在图像视频数据分析、推荐系统、运筹优化等方面的理论与应用研究，已在人工智能与数据科学权威期刊(如IEEE TPAMI, IEEE TIT, IEEE TIP, JMLR等)、管理运筹权威期刊(如IJOC, ORL等)以及国际知名会议(如ICML, UAI, CVPR, ICCV等)共正式发表学术论文60余篇。研究成果曾获2018年陕西省科学技术一等奖。主持国家重点研发计划项目子课题，国家自然科学基金青年、面上项目，军队重点专项课题等多项基金。

报告2题目：基于深度学习的3D人脸生成、解耦及识别方法

摘要：近年来，随着深度学习技术的快速发展，基于深度学习的3D人脸分析与识别技术受到了广泛关注。本次报告将重点介绍报告人课题组近期来在基于深度学习的3D人脸生成、解耦及识别方面的最新研究成果。特别地，将介绍一种基于本文引导2D人脸图像的3D人脸生成新方法，一种基于分布独立性假设的3D人脸形状身份与表情信息解耦表示学习新方法，一种基于元学习与对抗训练的点云3D人脸识别新方法以及一种基于标准化流模型与数据质量自适应损失的低质量3D人脸识别新方法。最后，对上述四种方法进行总结并指出未来研究方向。

讲者介绍：李慧斌，法国里昂中央理工大学应用数学与模式识别专业博士，西安交通大学教授、博士生导师。入选2022年陕西省科技创新创业人才。主要研究工作集中在三维视觉中的三维成像、3D人脸分析、视觉VSALM、基于隐式神经渲染的三维物体重建、跨模态三维内容生成等方面。先后主持国家自然科学基金青年项目、面上项目、中英、中法国际交流合作项目、科技部科技创新2030“新一代人工智能”重大研究计划子课题、教育部-中国移动人工智能专项基金、科技成果转化项目等20余项科研项目，总经费超2000万。在TPAMI、IJCV、TVCG、TIP、NeurIPS、ECCV、AAAI等国际期刊和会议上发表学术论文50余篇。代表性科研成果“基于多阶微分几何量统计特性及多任务稀疏重建原理的3D人脸识别系列技术”先后获国际大姿态3D人脸检索竞赛SHREC2011冠军、第七届欧盟生物特征识别工业与学术奖三等奖、陕西高等学校科学技术奖一等奖、陕西省自然科学奖一等奖等奖项。近年来积极参与科研成果转化，主持“3D人脸识别产品创新研发与大规模产业化”项目，累计申请/授权发明专利25项，软件著作权17项，项目荣获2021年陕西省科技工作者创新创业大赛二等奖，第十届中国创新创业大赛（陕西赛区）暨秦创原科技创新创业大赛初创组冠军等奖项。现已形成多款3D人脸识别终端产品及应用软件平台，已在安防、教育、能源、军工等行业应用落地，产生了良好的经济效益和社会效益。

报告3题目：低光图像增强——模型驱动的深度学习方法

摘要：低光图像增强是计算机底层视觉中的重要问题。近年来，以卷积神经网络等为代表的深度学习方法在这一问题上得到了广泛而成功的应用。但现有研究多采用某种形式的“黑箱”网络结构，忽视了传统方法中被验证有效的基于物理机制建模的图像处理方案，从而在一定程度上制约了方法的性能，且可解释性不佳。本报告将介绍最近我们针对这一问题的两方面探索。具体地，我们首先基于算法展开的策略，利用由Retinex理论建立的优化模型，设计了一种用于sRGB域图像的低光增强网络，一方面嵌入了传统方法中有效的显式先验，另一方面又可充分利用网络的学习能力，通过数据驱动的方式学习隐式先验。其次，我们基于传统图像中的导向滤波方法，设计了一种有引导的图像融合网络，用于RAW域图像的低光增强，所提方法一方面继承了导向滤波的有效性机理，另一方面又可充分发挥网络的灵活性，学习利用待融合图像间的潜在相关性。在sRGB域图像低光增强、RAW域图像低光增强、有引导的sRGB/RAW域图像低光增强等几种不同类型的图像低光增强问题上的应用表明了所提方法的有效性。

个人介绍：赵谦，西安交通大学bv1946伟德副教授，硕士生导师。分别于2009年和2015年在西安交通大学获得学士与博士学位。2013年11月至2014年11月，以访问学者身份在美国卡耐基梅隆大学机器人研究所从事机器学习与计算机视觉方面的研究工作。2016年3月起，在西安交通大学bv1946伟德任教。主要研究方向为机器学习及其应用，研究兴趣包括低秩矩阵与张量分析、噪声建模、贝叶斯方法、模型驱动的深度学习、元学习。在TPAMI、TIP、TNNLS等著名国际期刊，以及ICML、NeurIPS、ICCV、CVPR、ECCV、AAAI等人工智能领域顶级国际会议上发表学术论文40余篇，Google Scholar累计引用6000余次。曾获得陕西省科学技术奖一等奖、陕西省优秀博士论文奖。主持国家自然科学基金面上项目1项（在研）、教育部人工智能算法战略研究项目子课题1项（结题）、国家自然科学基金青年项目1项（结题），参与多项国家重点研发计划项目与国家自然科学基金项目。担任国际期刊JSTARS的副编；同时担任TPAMI、TIP、TNNLS等期刊，以及ICML、NeurIPS、ICLR、CVPR、ICCV、ECCV、AAAI、IJCAI等会议的审稿人。