CCF广东工业大学学生分会举办“Neural Expectation Maximization for Self-supervised Blind Image Deblurring”学术讲座

CCF广东工业大学学生分会于2024年6月6日上午成功举办了题为“Neural Expectation Maximization for Self-supervised Blind Image Deblurring”的学术讲座，本次讲座的报告人是纪辉教授。纪教授目前在新加坡国立大学数据科学与机器学习中心以及数学系任职，他的研究方向主要集中在机器学习、数学建模与计算机视觉。

在本次讲座中，纪教授详细介绍了他的研究团队最新开发的自监督学习方法，用于解决盲目图像去模糊问题。该方法采用了一种新颖的神经期望最大化(Neural Expectation Maximization, NEM)框架，这是一个结合了深度学习与概率推断的先进技术。

纪教授首先解释了传统图像去模糊技术的限制。他指出，大多数现有的深度学习方法需要大量的训练数据，即模糊图像与其对应的清晰图像，这在实际应用中往往难以获得。而自监督学习方法则无需依赖这些成对的数据，它通过利用图像内在的统计规律来学习去模糊的过程。接着，他介绍了自监督学习的核心概念，即利用图像自身的信息作为监督信号来引导学习过程。在他的方法中，使用了一个基于DNN的重参数化策略，这种策略不仅可以学习图像的潜在清晰内容，还能估计模糊核，这是传统方法难以同时做到的。

纪教授详细介绍了他们如何实现Monte Carlo期望最大化(MCEM)方法来训练网络。这一方法通过随机模拟(Langevin动力学)来逼近最优解，大大增强了模型对新场景的适应能力和泛化能力。他强调，与传统的监督学习方法相比，这种方法在处理未见过的模糊类型时表现更为出色。此外，纪教授展示了一系列从实验中得到的对比结果，清晰地显示了他们的方法与其他先进技术相比在各种标准数据集上的优势。图像去模糊的效果通过视觉效果直观展示，使听众能够直接观察到去模糊前后的显著差异。

在技术深入的部分，纪教授还探讨了模型的可解释性和优化策略。他解释了模型如何自动识别并强化图像中的重要细节，同时抑制噪声和伪影。此外，他还介绍了他们如何利用变分推断来进一步提高模型的训练效率和稳定性。

讲座的最后，纪教授邀请了听众进行了一个互动环节，听众有机会提出问题并与教授深入讨论自监督学习在图像处理以外其他领域的潜在应用，如视频去模糊和医学图像分析。

通过此次讲座，纪教授不仅向在场的学生和学术人员展示了自监督学习在解决实际图像处理问题中的强大能力，也激发了听众对深度学习技术进一步研究和探索的兴趣。

本次学术讲座赢得了现场师生的热烈反响，通过与纪教授的深入探讨，激发了同学们对自监督学习在图像处理领域应用的研究热情，并为大家带来了许多创新的思路。未来，我们将继续举办更多精彩的讲座，进一步促进学术交流，提升学术氛围，为广大师生提供更多学术资源和优质的交流平台。