召集人：孔德兴（浙江大学，数学科学学院，教授）、Tai Xuecheng（Norwegian Research Centre，Energy and Technology，教授）、应时辉（上海大学，应用数学与力学研究所，教授）、罗守胜（浙江师范大学，数理医学院，副教授）

时间：2026.05.03—2026.05.09

会议日程（5月4日）

会议日程（5月5日）

会议日程（5月6日）

会议日程（5月7日）

会议日程（5月8日）

报告信息简介（按报告人姓氏音序排列）

Exponential-Family Tensor Completion via Nonconvex Dual Total-Variation Regularization

曹文飞 陕西师范大学

报告摘要：With the emergence of various tensor data, tensor completion from partial measurements has received widespread attention in the fields of data science and signal processing. Presently, Total Variation (TV) has been proven to be a powerful regularization for tensor completion. However, theoretical studies regarding TV regularization in tensor completion are relatively limited. In this work, we conduct a rigorous theoretical analysis for this regularization in tensor completion. Specifically, we first consider more comprehensive tensor completion with exponential-family noises that includes ordinary Gaussian tensor completion and Poisson tensor completion as two special cases. Then, we propose a family of dual-TV (DTV) regularization with transformed L1 function ($0<a\le \infty$) to handle exponential-family tensor completion, which can simultaneously encode the prior knowledge of sparsity and low-rankness in gradient tensor. Moreover, the upper-bound analysis and the minimax lower bound analysis are provided for the recovery error of the estimator with DTV regularization. Finally, multiple groups of experiments on synthetic, image and video tensor data sets are carried out to demonstrate the correctness of our theoretical results and the effectiveness of our method.

报告人简介：曹文飞，陕西师范大学数学与统计学院副教授、博士生导师。2015年9月毕业于西安交通大学获得博士学位，曾到日本理化学研究所、英国伯明翰大学访学。研究兴趣包括：图像反问题的数学模型与算法、深度学习、张量恢复方法与理论等。在IEEE Trans. Image Processing、IEEE Trans. Signal Processing、IEEE Trans. Geoscience and Remote Sensing、Signal Processing、CVPR、AAAI等国际知名期刊和会议合作发表论文20余篇。主持国家自然科学基金2项目，陕西省自然科学基础研究计划项目2项，申请国家发明专利3项，其中已授权2项。

Ptychography的数学建模与优化算法：薄样品、相位解包裹与多切片成像

常慧宾 天津师范大学

报告摘要：报告讨论 ptychography 中三类典型反问题的数学模型与高效算法：薄样品相位恢复、强散射下的相位解包裹以及厚样品多切片成像。重点介绍 ADMM、区域分解、低内存 BSPGe、可靠性增强解包裹模型和链式多切片重建方法，从连续物理出发建立离散优化结构，并据此设计兼具效率与理论支撑的算法。

报告人简介：常慧宾，天津师范大学继之杰出教授、博士生导师。主要从事计算成像、图像处理和高性能计算等研究，在SIAM系列、IEEE Trans等期刊发表论文五十余篇，主持国家自然科学基金项目4项，2024年入选国家级青年人才计划。

GUMP-Net: An Interpretable Model-Data-Driven Intelligent Algorithm for Multi-Class Pelvic Segmentation

陈冲 中国科学院数学与系统科学研究院

报告摘要：Pelvic segmentation is one of the most important and fundamental research problems in precise and intelligent diagnosis and treatment, as well as surgical planning and navigation for pelvic fractures. In this talk, we will introduce the proposed GUMP-Net. Extensive experiments on pelvic and ankle datasets demonstrate the rationality and effectiveness of the proposed algorithm.

报告人简介：陈冲，现任中国科学院数学与系统科学研究院研究员、博导。中科院数学院博士，瑞典皇家理工学院数学系博士后。其研究兴趣包括医学成像反问题，图像处理，计算几何，人工智能等，研究成果主要发表在SIAM J. Imaging Sci., Inverse Problems, J. Comput. Phys., Comput. Methods Appl. Mech. Engrg.等期刊，合作出版专著一部。现任计算数学, J. Math. Imaging Vis., Int. J. Comput. Math.等国内外期刊编委，研究工作获国家自然科学基金委优秀青年科学基金资助。

智能诊断预测流程中的风险控制与不确定性量化

代汶利 陆军军医大学第一附属医院

报告摘要：智能诊断预测流程的临床落地，不仅需要“给出答案”，更需要对答案的可靠性进行有效评估，以实现真正的风险控制。本报告以我们前期在卵巢肿瘤超声AI诊断系统中的两项工作为基础，展示如何通过多任务学习、隐空间建模与多模态融合等技术，在结构识别与不确定性估计方面构建系统化方法。进一步，我们将视角延伸至脑胶质瘤这一更具结构复杂性的场景，探讨如何在血管拓扑建模中引入加权持续同调与证据理论，实现从分割不确定性到拓扑特征置信度的传递，以及多模态证据冲突的结构化分解，为高风险临床决策提供可追溯、可评估的数学工具。

报告人简介：代汶利，中国人民解放军第三军医大学第一附属医院病理科副研究员，在站博士后。2025年博士毕业于浙江大学数学科学学院应用数学专业，师从孔德兴教授，主要从事数学理论与医学图像分析的交叉研究。近年来聚焦智能诊疗中的不确定性量化与多模态融合，在图像分割、隐空间建模及可信预测方面形成系统积累。以第一作者（含共同第一）在eClinicalMedicine、NPJ Precision Oncology等期刊发表SCI论文4篇，核心参与提出的MTANet算法获中国生物医学工程学会“2024年度中国医学人工智能代表性算法”。目前依托卞修武院士团队，围绕脑胶质瘤血管网络的拓扑建模与不确定性量化开展研究，探索高风险临床决策中的风险控制新方法。

A General Embedded Modelling Framework for Data Fusion

邓良剑 电子科技大学

报告摘要：This talk primarily explores how to embed deep learning priors and traditional variational optimization model into a general modelling framework, which can effectively enhance the accuracy, generalizability, and interpretability of current intelligence methods. The talk mainly covers two aspects: 1) introducing the general embedded modelling framework, which bridges traditional variational optimization models and deep learning models; 2) giving some examples of the general embedded modelling framework, which are successfully applied to some representative data fusion tasks, also analyzing the relationship between these techniques and current mainstream deep learning approaches.

报告人简介：邓良剑，电子科技大学数学科学学院教授、博导。长期从事应用数学、人工智能和图像处理领域的交叉研究，主要研究方向为：变分图像处理、机器学习、数据融合等。分别于2010年和2016年获得电子科技大学理学学士和理学博士学位。作为联合培养博士生在美国凯斯西储大学学习一年，赴香港浸会大学进行博士后研究工作一年。曾在对方资助下短期访问剑桥大学牛顿数学科学研究所、香港浸会大学。主持国家自然科学基金项目2项、省部级项目1项，作为研究骨干参与国家重点研发等国家级项目多项。近年以第一或通讯作者身份在Nature Commu., SIAM J. Imag. Sci.、IEEE Trans. Pattern. Anal. Mach. Intell.、Int. J. Comput. Vis.、Info. Fusion、IEEE汇刊发表期刊论文30余篇，在人工智能顶级会议ICML、NeurIPS、CVPR等发表CCF-A论文20余篇(5篇口头报告)，Google引用7000余次。曾获四川省自然科学奖等奖励5项。担任多个SCI期刊编委/客座编辑。更多信息详见主页：https://liangjiandeng.github.io/。

Low-Rank Tensor Representation for High-Dimension Data Processing

丁猛 西南交通大学

报告摘要：Tensor analysis has received widespread attention in high-dimensional data learning. Unfortunately, the tensor data are often degraded by noise or insufficient for subspace representation. In this talk, we first study a generalized transformed tensor low-rank representation model for simultaneously recovering and clustering the corrupted tensor data and prove the recoverability with a high probability guarantee. Besides, we use hidden tensor data to address the problem of insufficient observed samples. We employ both observed samples and hidden tensor data under low-rank constraints so that a new bilateral tensor low-rank representation in subspace clustering is formulated. Furthermore, we introduce the bilateral low-rank representation to multi-view subspace clustering. Experiments on various datasets showcase the outstanding performance.

报告人简介：丁猛，西南交通大学数学学院副教授，博士生导师。主要研究方向是高维数据处理的张量建模与算法研究，目前已在数学权威期刊SIIMS, JSC和IEEE系列权威期刊JSTSP, TKDE, TNNLS等发表学术论文，其中3篇入选ESI高被引论文。主持国家自然科学基金青年基金项目和四川省青年基金项目，相关成果荣获四川省数学会第二届应用数学奖一等奖。

AI与数学：一些值得深入思考的问题

董彬 北京大学

报告摘要：AI的推理能力正在经历质的跃迁：从模式匹配到复杂推理，从解竞赛题到参与数学研究前沿。这一变化意味着AI与数学的关系正在发生结构性转变，不是一方服务另一方，而是双向的共同演化。本报告围绕这一判断，提出四个板块共18个开放问题：AI真正需要什么样的数学、数学正在经历怎样的冲击、AI时代如何培养人、AI与数学将把彼此带向何方。这些问题涵盖从深度学习的理论基础到数学哲学，从自动定理证明到教育变革，旨在为跨领域的思维碰撞提供一个共同的锚点。

报告人简介：北京大学博雅特聘教授，任职于北京大学北京国际数学研究中心，兼任北京大学国际机器学习研究中心副主任、北京中关村学院常务副院长。主要研究领域为机器学习、科学计算和计算成像。曾获得2014年求是杰出青年学者奖，入选2015年中组部“千人计划”青年项目和2020年中组部“万人计划”领军人才，受邀在2022年世界数学家大会（ICM）作45分钟报告，入选2023年新基石研究员项目，同年获得王选杰出青年学者奖，受邀在2027年国际工业与应用数学大会（ICIAM）作大会邀请报告。

Nest-MGDL：基于Nesterov优化的记忆与几何蒸馏学习的图像压缩感知

范晓鸿 浙江师范大学

报告摘要：压缩感知（CS）重建是一项用于图像压缩与重建的强大技术。目前大多数深度学习和深度展开重建方法存在以下问题：1）未充分分析近端子问题，且未能自然地从数学理论中推导出网络架构；2）缺乏通过多领域、多尺度和多分辨率分析来纠正错误并恢复细节的能力；3）仅依赖于前一阶段的状态，忽略了来自早期阶段的价值信息。在本研究中，提出了一种Nesterov优化的记忆与几何蒸馏学习框架（Nest-MGDL），该框架通过有效整合可解释性与自适应性，实现了稳健且具备泛化能力的深度学习性能。通过将近端子问题重新表述为跨不同领域的记忆与几何先验的分解与蒸馏，并集成局部多级特征聚合策略，Nest-MGDL实现了具备理论依据的网络设计和精准的多尺度错误纠正。受具备快速收敛特性的第三类Nesterov加速方案（N-III）启发，纳入了来自多个历史阶段测量误差的梯度信息，以实现更一致、更准确的重建。这为利用历史测量误差和设计可解释网络架构提供了新的见解。此外，Nest-MGDL中的所有参数均可通过自适应初始化进行端到端学习，从而增强了模型的灵活性并确保了稳定收敛。大量实验表明Nest-MGDL的性能优于主流方法。

报告人简介：范晓鸿，男，理学博士，硕士生导师，本科毕业于中南大学，2024年06月博士毕业于湘潭大学数学专业，于2024年07月加入浙江师范大学数理医学院教师团队。研究方向是优化算法驱动深度学习图像重建和深度学习在图像处理中的应用。目前在IEEE Transactions on Computational Imaging、Biomedical Signal Processing and Control、Journal of Magnetic Resonance Imaging、Academic Radiology等刊物上发表论文20余篇。主持国家自然科学基金青年科学基金项目（C类）、浙江省自然科学基金青年基金项目、浙江师范大学科研启动项目、校地合作平台项目1项。

Interpretable neural network for diffeomorphic image registration: from discrete and continuous aspects

韩欢 武汉理工大学

报告摘要：Medical image registration is an inverse problem and a fundamental task in medical imaging, aiming to align two or more images into a common spatial coordinate system. Traditional image registration methods, such as variational frameworks, provide mathematically interpretable solutions but often suffer from high computational complexity, making them impractical for real-time applications. Though deep learning-based approaches have significantly improved registration speed, they still face challenges in preserving anatomical topology and maintaining interpretability. To address these limitations, we propose a two different kinds of Interpretable Diffeomorphic Image Registration Networks from discrete and continuous aspects, which integrates deep learning with diffeomorphic theory to achieve high accurate, topology-preserving, large deformation and real-time registration. Theoretical analysis demonstrates how the neural network guarantees diffeomorphic transformations, ensuring smooth and invertible deformations.

报告人简介：韩欢，武汉理工大学副教授，博导，从事医学图像配准相关的变分理论与小样本学习研究，入选“湖北省青年拔尖人才”，主持国家自然科学基金(面上、青年项目)、湖北省自然科学基金面上等项目，参与国家重点研发计划项目。在SIAM J. Multiscale Model. Simul.、SIAM J. Imaging Sci.、Inverse Probl.、ESAIM: Math. Model. Numer. Anal.、Inverse Probl. Imag.、IEEE Transactions on Medical Imaging、IEEE Trans. Multimedia等国际权威期刊发表论文20余篇。曾先后到英国利物浦大学、思克莱德大学等高校数学系开展学术访问。

多模态智能融合：神经退行性疾病诊疗的技术突破与展望

胡战利 中国科学院深圳先进技术研究院

报告摘要：本报告聚焦多模态智能融合技术在神经退行性疾病中的应用，围绕影像、组学、临床等多源数据的智能整合与分析，系统阐述其在早期筛查、精准诊断、预后评估中的技术突破。结合当前研究进展与临床痛点，探讨算法、数据及落地挑战，并对未来智能化、个体化诊疗方向进行展望。

报告人简介：胡战利，中国科学院深圳先进技术研究院·医学人工智能研究中心副主任，研究员、博士生导师、国家“万人计划”科技创新领军人才、国自然优秀青年基金获得者、国家重点研发计划首席科学家，研究领域为医学PET成像技术、人工智能医学影像。以第一完成人荣获广东省科技奖技术发明奖、吴文俊人工智能自然科学奖、黄家驷生物医学工程奖、中国产学研合作创新奖。先后主持了国自然优秀青年基金（优秀结题）、数学天元重点专项、面上项目2项；国家重点研发计划重大科学仪器设备研发重点专项（首席科学家）、国家重点研发计划战略性科技创新合作重点专项等项目。以通讯/第一作者在IEEE TMI/JBHI/TBME/TCI/TRPMS, Medical Image Analysis, EJNMMI, European Radiology等本领域权威期刊发表SCI论文100余篇。

Active contours driven by hyperbolic mean curvature flow for image segmentation

黄守军 浙江师范大学

报告摘要：In this talk, we construct Hyperbolic Mean Curvature Flow-driven ACMs (HMCF-ACMs), and prove the property of normalflow. Then, we establish the numerical equivalence to a wave equation via the level set method with signed distance functions. This new method has some advantages in the image segmentation by comparing with the traditional variational methods. To address the loss of fine-grained details and irregular boundaries in encoder-decoder models like the Segment Anything Model (SAM), we further design HMCF as a differentiable geometric prior module and embed it between the decoder of SAM and the final activation layer, which is called HMCF-SAM framework. HMCF-SAM retains the representation power while enforcing curvature-driven geometric smoothing, thereby enhancing boundary smoothness and anatomical plausibility. Experiments on medical image datasets demonstrate that HMCF-SAM outperforms a fine-tuned SAM baseline in segmentation accuracy, boundary quality and generalization.

报告人简介：黄守军，双龙特聘教授，浙江师范大学数理医学院副院长，浙江省数理医学学会常务理事，美国数学评论评论员。主要从事医学图形处理和偏微分方程等有关研究，在国内外重要期刊上发表学术论文30余篇。主持国家自然科学基金项目2项，安徽省自然科学基金面上项目2项以及安徽省高校优秀青年人才基金项目等基金。曾访问香港大学、香港城市大学、美国理海大学、美国宾夕法尼亚州立大学等。曾主持和参与多项省级教研课题，并获浙江省高校优秀科研成果奖一等奖。

物理变分模型驱动的快速磁共振成像方法

金其余 兰州大学

报告摘要：本报告针对磁共振成像（MRI）欠采样重建中，传统变分模型表达能力有限、深度学习方法可解释性与泛化性不足的问题，以物理先验为引导，递进提出三种新型重建方法：针对自监督方法可解释性不足的缺陷，利用 k 空间低秩结构正则化网络，基于 Hankel 矩阵物理特性构建卷积神经网络，以非扩张映射确保收敛，实现无全采样数据监督下的高质量重建，性能优于现有自监督与传统方法。突破 k 空间 “局部” 可插值假设的局限，从全局低秩正则化出发，构建物理变分模型驱动的白盒 Transformer 架构，赋予注意力机制明确物理意义，实现全局插值重建，在多数据集与采样模式下性能优于主流方法。针对预训练模型微调时易破坏先验、适配性差的问题，提出基于动量记忆的微调方法，通过双梯度下降框架，冻结预训练参数并引入轻量正则网络，实现小样本场景下的快速稳定重建，泛化能力优于传统微调方法。

报告人简介：金其余，兰州大学教授。法国南布列塔尼大学应用数学博士，巴黎六大、上海交通大学博士后，巴黎-萨克雷高等师范学校访问学者，内蒙古自治区“青年科技英才支持计划”青年科技领军人才，中国数学会医学数学专业委员会委员，中国运筹学会数学规划分会理事。长期与国内外多所大学保持合作，包括法国巴黎-萨克雷高等师范学校、巴黎六大、Centre Inria Rennes等。研究领域包括：图像处理、计算机视觉与最优化。相应成果发表于SIAM Journal on Imaging Sciences、Cell子刊Structure、JSC、JMIV，TIP，TMM，TIM，PR，IP，Miccai等期刊或会议。主持国家自然科学基金、内蒙古自然科学基金等项目多项。

Deep Image Prior with Regularized Feedback for Sparse-View and Low-Dose CT Reconstruction

金正猛 南京邮电大学

报告摘要：Low-dose and sparse-view computed tomography (CT) reconstruction remains challenging due to severe photon noise and incomplete measurements. This work presents a novel reconstruction framework that integrates the Deep Image Prior (DIP) with Poisson log-likelihood–based data fidelity term and total variation (TV) regularization, thereby capturing photon-limited statistics while preserving edge information. To further enhance reconstruction quality, an explicit regularized feedback mechanism is introduced, where each intermediate reconstruction is refined through TV descent in the image-domain, and the updated result is recursively fed back as the network input. Besides, a theoretical convergence analysis is provided to establish the stability of the proposed iterative scheme. Finally, the comparative results demonstrate the effectiveness of the proposed method.

报告人简介：金正猛，博士，南京邮电大学理学院教授，博士生导师。中国兵工学会应用数学专委会委员，江苏省运筹学会常务理事，江苏省数学学会计算数学分会副理事长。入选江苏省“333高层次人才培育工程”培养对象、江苏省“青蓝工程”优秀青年骨干教师培养对象。获第四届江苏省工业与应用数学学会“青年科技奖”。在SIIMS、IP、JMIV、数学学报等国内外重要学术期刊上发表学术论文40余篇。主持国家自然科学基金项目3项。

Recent Advances in Quasiconformal for Medical Image Analysis

雷乐铭 香港中文大学

报告摘要：Quasiconformal and Teichmüller theories provide a powerful geometric framework for analyzing complex shapes and mappings with controlled distortion. In this talk, I will present recent advances in quasiconformal models for medical imaging and computational anatomy. First, I will introduce quasiconformal surface registration methods for medical images and anatomical surfaces, with applications to brain surface parameterization and cortical mapping. I will then discuss quasiconformal models for shape-prior-based medical image segmentation. Beyond registration and segmentation, I will demonstrate how Teichmüller metric–based shape analysis enables quantitative studies of anatomical structures, including vestibular system analysis, spinal morphology assessment in adolescent idiopathic scoliosis, craniofacial shape analysis, and hippocampal surface analysis for Alzheimer’s disease research.This work is supported by HKRGC GRF (Project IDs: 14307622,14310224, 14309125)。

报告人简介：Ronald Lok Ming Lui is a Professor in the Math department of The Chinese University of Hong Kong (CUHK). He is also serving as the Executive Director of the Center for Mathematical Artificial Intelligence (CMAI), under Department of Mathematics and Institute of Mathematical Sciences at CUHK. Ronald got his PhD in Applied Mathematics at UCLA Math department in June, 2008, under the supervision of Prof. Tony F. Chan. Before joining CUHK, he worked as a Postdoctoral Scholar for 2 years at Harvard Math department, hosted by Prof. Shing-Tung Yau. He was awarded the Morningside Mathematics (Silver) Medal during the International Congress of Chinese Mathematicians in 2016. In 2018, he was awarded the HKMS Young Scholars Award by the Hong Kong Mathematical Society. In 2019, he was awarded the Vice-Chacellor's Exemplary Teaching Award.

深度学习驱动的图像恢复与数值天气预报数据同化方法研究

李季 首都师范大学

报告摘要：图像恢复与数值天气预报中的四维变分数据同化(4D-Var)是科学计算领域的关键问题。虽然二者均通过构建变分优化损失函数并求极小值来求解，但其正则化项的物理机制与数学目的存在显著差异。对于图像恢复问题，数据测量约束方程通常是欠定的，正则项旨在补偿测量数据的不足以克服问题的不适定性;鉴于图像先验对恢复质量至关重要，利用深度学习生成模型提供先验已成为近年来的研究热点。相比之下，四维变分数据同化的数据项约束通常是适定的，其核心目的在于利用观测数据校正模型初始状态，以抑制预测误差累积。业务系统中的增量4D-Var问题最终归结为求解大规模对称正定线性方程组，针对其高达千万维的求解瓶颈，利用深度学习加速计算具有重要的应用价值。本报告将汇报报告人在这两个前沿方向上应用深度学习方法的研究成果和初步尝试。

报告人简介：李季，首都师范大学交叉科学研究院副研究员。2017年博士毕业于北京大学计算数学专业，而后在北京计算科学研究中心和新加坡国立大学做博士后研究工作。目前的研究兴趣是传统优化和深度学习在科学计算和图像处理中的应用。

Adversarial and Correlation-Aware Data Augmentation Framework for Multi-Label Chest X-Ray Image Classification

李斯 广东工业大学

报告摘要：Deep learning-based methods have shown promising results in multi-label chest X-ray (CXR) image classification. However, most existing methods rely on large-scale fully-annotated datasets, which are costly and laborious to obtain. Therefore, training a high-performance model with limited annotation remains a significant challenge in practice. To address this issue, we propose an Adversarial and Correlation-Aware Data Augmentation (ACAA) framework for multi-label CXR image classification. Specifically, we propose a Generalized Nesterov Iterative Fast Gradient Sign Method (GNI-FGSM) to generate effective adversarial examples as strongly-augmented data, and introduce an adversarial augmentation-based consistency regularization to perform supervision of model predictions on the above adversarial examples. Moreover, we propose a Batch-level Mamba module (BatchMamba) coupled with a batch-level Mamba-based correlation regularization to explore inter-sample correlations along batch dimension. Extensive experiments on two large CXR datasets demonstrate the effectiveness of the proposed ACAA framework for multi-label CXR image classification under limited-annotation scenario.

报告人简介：李斯于2008年和2013年分别获得中山大学信息与计算科学学士学位和计算数学博士学位，期间自2010年11月至2012年3月访问美国纽约州立大学上州医科大学（SUNY UPSTATE）放射系。尔后至2015年10月于中山大学数学与计算科学学院从事博士后研究工作，2015年11月至2018年5月于中山大学数据科学与计算机学院任特聘研究员，2018年6月至今于广东工业大学计算机学院任副教授。主要研究方向为医学影像重建与计算。主持国家自然科学基金青年基金、广东省自然科学基金面上项目、广东省国际科技合作领域项目等，参与国家重点研发计划“高性能计算”重点专项子课题，发表学术论文四十余篇，曾获广东省计算数学优秀青年论文奖一等奖。

Multiscale topology optimization method for lattice materials

李义宝 西安交通大学

报告摘要：In this talk, we will introduce an efficient multiscale topology optimization method for lattice materials. In macro-scale, we present a second-order unconditionally energy stable schemes for the topology optimization problem. Using porous media approach, our objective functional composes of five terms including mechanical property, Ginzburg-Landau energy, two penalized terms for solid and the volume constraint. A Crank-Nicolson method is proposed to discrete the coupling system. We prove that our proposed scheme is unconditionally energy stable. In macro-scale, we propose a simple volume merging method for triply periodic minimal structure. A modified Allen–Cahn type equation with a correction term is proposed. Computational experiments are presented to demonstrate the efficiency of the proposed method.

报告人简介：李义宝，西安交通大学教授，博导，国家青年人才计划入选者，CSIAM大数据与人工智能专委会秘书长。主要从事人工智能，多物理场的耦合计算、3D打印的图形处理和拓扑优化等研究工作。自2010年发表论文131篇，其中高被引论文13篇，热点论文2篇，获国家授权发明专利10项。

面向图像复原的扩散模型、正交投影先验与语义引导策略

刘俊 东北师范大学

报告摘要：本报告围绕多光谱全色锐化与零样本图像复原任务，介绍三种面向图像融合与复原的生成模型及先验引导方法。针对多光谱全色锐化任务，首先提出一种多阶段扩散驱动模型（MSDP），通过三阶段条件融合机制与稀疏注意力模块，实现跨模态先验的有效融合，并结合剪切波系数进行多尺度频率增强，显著提升高分辨率多光谱图像的空间清晰度与光谱保真度。其次，针对现有生成模型推理效率低的问题，提出基于正交投影的快速全色锐化方法（TOPan），利用平均流速加速框架与令牌式正交投影器，显式解耦共享特征与模态专属特征，实现高效的单步生成。在零样本图像复原任务中，针对传统深度图像先验（DIP）在极端退化条件下难以恢复语义结构的问题，以及扩散模型采样计算量大且易产生分布外伪影的局限，提出一种融合DIP与扩散模型的高效自适应复原框架。该方法利用预训练扩散模型生成语义热启动的初始估计（warm-initialization），随后通过部分参数微调使模型自适应于给定的退化图像，在保持语义一致性的同时实现灵活适配。实验结果表明，该方法在多种复原任务上均显著优于现有零样本方法，在复原质量与推理效率方面均取得最优表现。

报告人简介：刘俊, 东北师范大学数学与统计学学院教授，博士生导师，研究方向为底层视觉中的数学方法。 主持国家自然科学基金面上项目。曾主持国家自然科学基金青年项目、中国博士后科学基金面上项目、吉林省科技厅和教育厅等科研项目，东北师范大学中央高校基本科研项目。 已在国际重要期刊上发表SCl论文40余篇，部分成果见刊于J. Sci. Comput.、 IEEE J. Sel. Top. Sign. Proces, IEEE Trans. Pattern Anal. 及计算机视觉重要会议CVPR、 ECCV和ICCV等。

非光滑框架下超声断层全波形反演声速成像研究

娄翠娟 浙江师范大学

报告摘要：围绕乳腺超声断层声速成像中的高精度反演问题，本文提出了一种非光滑优化框架下的拉普拉斯域全波形反演方法。该方法通过引入 L_1数据保真项与各向异性全变分（ATV）正则化，有效提升了反演结果的重建精度，使得重建图像在边界清晰度与组织对比度方面均得到显著改善。在此基础上，针对超声断层成像系统中通道数量多、硬件成本高的问题，进一步提出一种基于泊松圆盘采样的稀疏采样策略用于全波形反演成像，并系统比较了发射端稀疏、接收端稀疏以及发射–接收混合稀疏等不同采样方式的成像性能。进一步地，面向稀疏采样条件下的鲁棒反演问题，构建了一种结合非局部TV正则化与 L_1数据保真项的拉普拉斯域全波形反演方法，以增强模型在不完全观测条件下的稳定性与抗噪能力。研究结果表明，该系列方法为乳腺超声断层成像提供了一种更为高效且稳健的数值反演框架，有望促进其在乳腺癌早期筛查及定量成像中的应用。

报告人简介：娄翠娟，浙江师范大学数理医学院教师，硕士生导师，长期致力于研究医学超声成像算法。在医学超声断层成像方面，参与了国内首创第一台完全具有自主知识产权的超声断层成像系统的研发。目前在超声领域发表论文和授权国家发明专利近30项，参与多项科技部国家重点研发计划，战略性国际科技创新合作重点专项等项目。

Regularized Optimal Transport Models for Image Analysis

聂梓伟 南京大学

报告摘要：Optimal transport (OT) theory and models have been widely used in the fields of computer vision, machine learning and image analysis. However, few works have considered regularization issues for optimal transport models, and even fewer have addressed their theoretical analysis, fast algorithms, or concrete applications. In this talk, we will introduce two distinct regularization approaches for optimal transport models, the second of which, to the best of our knowledge, is being considered for the first time in the academic community. We will also present theoretical results, efficient algorithms, and application examples corresponding to these regularized optimal transport models.

报告人简介：聂梓伟，南京大学数学学院助理研究员，研究方向是图像处理与分析的模型、理论、算法及应用。他主持了江苏省自然科学青年基金1 项，国家自然科学青年基金1 项，参与国家重点研发计划1 项，国自然重点项目1 项，在IEEE TMI, IJCV, MedIA,SIAM J. Applied Mathematics, Composites Communications,MICCAI 等期刊和会议上发表论文十余篇，已申请专利12 项(授权7 项)，授权软件著作权1 项。

基于偏好学习的弱监督跨域迁移学习分割方法

彭佳林 华侨大学

报告摘要：标注稀缺和域分布差异是限制图像分割深度模型广泛应用的瓶颈。本报告将针对以电子显微镜图像分析为例，探讨粗粒度少标注下的高性能跨域分割方法。报告还将进一步探讨，引入人类偏好的跨域迁移学习分割方法。

报告人简介：彭佳林，华侨大学计算机科学与技术学院教授，博导。IEEE Senior Member。主要研究兴趣为医学图像处理、计算智能。主持自然科学基金项目3项，研究成果获得教育部高校科技进步二等奖、首届“中国高校成果交易会”成果创新奖；研究论文获得第21届国际模式识别会议(ICPR)“最佳学术论文奖”, Medical Physics、IEEE JBHI等期刊 亮点论文等；授权中国发明专利8项。指导的研究生获得福建省优秀学位论文等。担任多个期刊的编委或审稿人。

智能计算

彭亚新 上海大学

报告摘要：本报告聚焦智能计算新范式，首先介绍一种新型物理信息神经网络，通过融合多模态数理模型与观测数据，显著提升正问题与反问题的求解能力；其次探讨智能体如何实现自适应闭环控制。同时，阐述该新范式不仅为工程设计、成像等领域提供灵活高效的数学工具，也深入分析了其对科学计算带来的重要影响。

报告人简介：长期从事多模态数据分析、具身智能和 AI for Science 等相关领域研究，包括多模态数据融合、强化学习泛化性理论和方法、视觉-语言-行为大模型、具身操控、多物理场智能数值求解，基于大模型Agent技术的CFD仿真优化等，相关方向的成果发表在 IEEE TNNLS、TMM、ICCV、AAAI 和 IJCAI 等人工智能领域顶级刊物/会议上，主持国家自然科学基金项目 5 项和多项校企合作项目。

A Tunable Despeckling Neural Network Stabilized via Diffusion Equation

冉益 哈尔滨工业大学

报告摘要：The removal of multiplicative Gamma noise is a critical research area in the application of synthetic aperture radar (SAR) imaging, where neural networks serve as a potent tool. However, real-world data often diverges from theoretical models, exhibiting various disturbances, which makes the neural network less effective. Adversarial attacks can be used as a criterion for judging the adaptability of neural networks to real data, since they can find the most extreme perturbations that make neural networks ineffective. In this work, we propose a tunable, regularized neural network framework that unrolls a shallow neural denoising block and a diffusion regularization block into a single network for end-to-end training. The linear heat equation, known for its inherent smoothness and low-pass filtering properties, is adopted as the diffusion regularization block. The smoothness of our outputs is controlled by a single time step hyperparameter that can be adjusted dynamically. The stability and convergence of our model are theoretically proven. Experimental results demonstrate that the proposed model effectively eliminates high-frequency oscillations induced by adversarial attacks. Finally, the proposed model is benchmarked against several state-of-the-art denoising methods on simulated images, adversarial samples, and real SAR images, achieving superior performance in both quantitative and visual evaluations.

报告人简介：冉益博士，哈尔滨工业大学数学学院博士后助理研究员，师从吴勃英教授。研究方向为偏微分方程结合神经网络的图像处理方法。以第一或通讯作者身份在IEEE TCSVT、Signal Processing等国际知名期刊发表论文4篇。于2024年赴德国电子同步加速器研究所（DESY）进行交流访问。

面向稀疏目标分割的 ℓ1迭代展开网络

任雨濛 香港城市大学

报告摘要：ℓ1稀疏正则化在压缩感知与图像处理领域占据核心地位。本文提出的ℓ1DecNet是由变分分解模型展开所得的神经网络，融合ℓ1稀疏正则化，通过非标准缩放交替方向乘子法（ADMM）求解。ℓ1DecNet从输入图像中有效分离出空间稀疏特征与密集特征，支撑后续的图像处理操作。更进一步，我们设计了新的图像分割架构 ℓ1DecNet+，包括前处理的ℓ1DecNet 与后处理的轻量分割模块。分割模块直接利用稀疏特征，而不需要原始图像。该架构有机融合了数学建模与数据驱动方法的优势，将数学图像先验引入分割网络特征提取阶段。我们在两类典型稀疏分割任务上验证了有效性：医学图像处理中的视网膜血管分割，以及工业异常检测中的路面裂缝识别。实验结果表明，各类轻量分割模块在ℓ1DecNet+ 架构下，其性能均可达到甚至超越其对应的扩容分割网络版本，这在资源受限设备上具有显著的实用优势。

报告人简介：任雨濛，香港城市大学数学系2022级在读博士生，师从陈汉夫教授与Jean-Michel Morel教授。本科及硕士均就读于南开大学数学系，师从吴春林教授。博士研究方向聚焦于图像处理与生成领域，主要涵盖反问题的图像复原方法及扩散模型的图像生成方法。研究成果已发表于期刊CSIAM-AM 及顶级国际会议 ICLR。2025年赴法国奥尔良 Institut Denis Poisson（泊松数学研究所）开展学术交流访问。

具身智能视觉-语言-动作模型的条件分布建模理论与方法

沈超敏 华东师范大学

报告摘要：图像与信号处理中的数学模型与算法正不断向多模态感知与智能决策领域拓展，具身智能视觉-语言-动作（VLA）模型成为当前的重要研究方向。然而现有方法多依赖具体模型结构或任务设计，缺乏统一的概率建模视角。本报告从条件分布建模出发，在统一概率框架下，将多模态感知条件下的连续动作决策问题表述为高维条件概率分布的表示与推断问题。围绕这一核心问题，报告将讨论：1）条件分布的结构刻画；2）概率表示与能量表示间的等价关系；3）统一推断方法。我们的核心观点是：不同模型之间的差异主要来源于条件分布的结构形式及参数化方式，而非具体网络结构本身。进一步地，将分析不同生成机制在概率结构与参数化约束上的内在联系，并发展面向高维连续动作空间的稳定学习与高效推断方法。相关思想已在仿真与真实机器人场景中得到初步验证。本报告旨在从统一概率框架出发，为VLA模型的建模与推断提供一种新的数学视角，并探讨其在图像与信号处理中的潜在应用。

报告人简介：华东师范大学计算机科学与技术学院副教授，曾在新加坡国立大学遥感影像中心从事研究工作，长期从事基于数学方法的图像处理与机器学习研究。主持国家自然科学基金面上项目、上海市面上项目，作为学术骨干参与973项目及国家自然科学基金重点项目。近年来在NeurIPS、ICRA、AAAI、RA-L等顶级会议和期刊上发表多篇论文，提出了ChatVLA、TinyVLA等具身智能与视觉—语言—动作（VLA）系列模型，相关工作引用超过750次。相关研究围绕图像与多模态信号的结构表示与概率建模展开，为复杂场景下的结构建模与关联分析提供了系统的数学模型与方法。

Generative Neural Physics Framework for High-Resolution 3D Ultrasound Tomography

史作强 清华大学

报告摘要：Ultrasound tomography (UT) holds inherent potential for in vivo biomechanical characterization by capturing transmitted and scattered wavefields, yet its widespread adoption has been limited by the lack of efficient and accurate full-wave scattering models. In this work, we introduce a generative neural physics framework that integrates generative models with physics-informed partial differential equation (PDE) solvers to enable rapid, high-fidelity 3D quantitative imaging of tissue mechanics. A compact neural surrogate for full-wave propagation is trained using limited cross-modality data, preserving physical accuracy while significantly improving computational efficiency. This approach achieves accurate and efficient volumetric imaging of in vivo human breast and musculoskeletal tissues within ten minutes. The resulting images demonstrate structural resolution comparable to 3T MRI, highlighting the broad clinical potential of this method.

报告人简介：史作强，清华大学丘成桐数学科学中心长聘教授，北京雁栖湖应用数学研究院双聘研究员，主要研究方向为偏微分方程数值方法，图像处理和机器学习中的微分方程模型，非线性非平稳信号时频分析等，在ACHA，SIAM,IEEE系列期刊，Advances in Mathematics，ARMA等国际知名学术期刊发表文章90余篇。

质子放射治疗中的反问题

王超 中国农业大学

报告摘要：质子放射治疗利用带电粒子在介质中能量沉积的空间选择性，在肿瘤精准治疗中展现出显著优势。为了充分发挥这一优势，治疗计划需要在满足临床约束的前提下，对质子束参数进行精细调控，可视为一个由目标剂量反推控制变量的复杂反问题。该问题通常具有维度高、结构复杂以及对扰动敏感等特征，在理论分析与数值求解上均具有挑战性。本报告将系统介绍质子治疗中的剂量计算模型及其对应的反问题形式。在算法层面，将重点讨论基于梯度信息的优化方法及正则化策略，说明如何通过引入结构约束来提升求解的稳定性与鲁棒性。此外，我们还将介绍关于光点参数优化的最新研究进展，特别是将光点强度与空间位置统一纳入优化框架，通过联合建模与求解提升治疗计划质量。

报告人简介：王超，中国农业大学理学院副教授。博士毕业于北京大学数学科学学院，曾在新加坡、美国做博士后和研究助理教授。主要研究方向为光声成像、算子学习、以及质子放射治疗中的反问题。

Optimal Transport-based Image Fusion and its Applications

王发强 北京师范大学

报告摘要：In this talk, we investigate cross-modal feature fusion for remote sensing and medical images based on optimal transport and Wasserstein barycenter theory. To address the distribution shift caused by imaging differences between optical and SAR images, we propose an entropy-regularized optimal transport-based feature alignment method, incorporating Gaussian positional encoding to preserve spatial structure, and further construct a multi-modal change detection method. For the MRI and CT image reconstruction and fusion task, we develop a symmetric fusion strategy based on the Wasserstein barycenter to achieves unbiased fusion.

报告人简介：王发强，讲师，硕士生导师。2020年9月进入北京师范大学数学科学学院工作，研究方向包括变分法图像处理、最优传输与深度学习相关理论与应用。部分成果发表在IEEE Transactions on Image Processing、SIAM Journal on Imaging Sciences、Nature Cities、Inverse Problems and Imaging、Inverse Problems等期刊。主持国家自然科学基金青年项目1项、参与国家自然科学基金重大项目1项、参与国家自然科学基金面上项目3项等。

基于多模态数据融合的儿童疾病预测

王艳 重庆师范大学

报告摘要：本报告介绍目前课题组在儿童疾病预测、诊疗等方面的一些工作，包括基于X-Ray的儿童肺部异常检测、基于医学影像与文本数据的医学图文模型等。同时，介绍儿童孤独症谱系障碍诊断和教育康复相关的研究，并对特殊儿童脑认知与康复交叉研究相关课题进行研讨。

报告人简介：王艳，重庆师范大学数学科学学院教授，应用数学系主任，“博望学者”青年拔尖人才。兼任任中国工业与应用数学学会数学与医学交叉学科专业委员会秘书长、重庆市数字医学学会常务理事、重庆市医药生物技术协会超声医学专委会委员、浙江省数理医学学会标准化专家库专家。主要从事数理与医学的交叉研究，包括图像处理的数学理论与方法、医学影像处理与人工智能、医学大数据处理与分析等。主持国家自然科学基金2项、重庆市自然科学基金重点项目1项，面上项目2项、重庆市教委科学技术项目2项，主研省部级及以上项目10余项。目前已在国内外重要期刊上发表学术论文20余篇，授权国家发明专利5项。

标签噪声场景下医学图像分析关键技术研究

温智婕 上海大学

报告摘要：标签噪声是制约医学图像分析技术临床落地的关键瓶颈。深度学习在医学图像分析中已取得显著成果，但医学标注具有时间长、专业门槛高、观察者变异性显著等挑战，导致真实世界中噪声率常超过30%，严重影响模型泛化能力与决策可靠性。本报告系统综述标签噪声场景下医学图像分析的关键研究技术：首先界定对称噪声、非对称噪声和实例相关噪声模型及其特性；其次梳理数据层（噪声检测、重加权、样本选择）、损失函数（标签平滑、对称/广义交叉熵）、模型架构（多网络协同、一致性正则化）、半监督学习（伪标签、对比学习）及预训练微调等技术路线。并汇报课题组近年来在该领域的研究成果，包括面向长尾分布数据和开集标签噪声环境的相关研究思路及进展。

报告人简介：温智婕，上海大学理学院数学系副教授，计算数学博士。曾在瑞典皇家工学院（KTH）从事博士后研究。主要研究方向包括机器学习、计算机视觉、医学图像处理与小波分析。近年来聚焦标签噪声学习理论与方法，围绕长尾分布、开放集标签噪声及医学图像中的弱监督问题，系统研究噪声建模、鲁棒损失函数与样本筛选机制，在 Medical Image Analysis、IEEE Transactions on Medical Imaging 等期刊发表多篇相关成果。主持国家自然科学基金面上、青年项目，担任中国工业与应用数学学会医学与数学交叉学科专委会委员。

空间自适应变分卡通–纹理图像分解方法

文有为 湖南师范大学

报告摘要：卡通–纹理图像分解旨在将观测图像分离为结构化的卡通成分与振荡性的纹理成分，是图像处理中的一类经典逆问题。传统变分模型，例如基于总变分与G-范数的方法，虽具有清晰的理论框架，但在处理图像空间异质性及数值效率方面仍面临挑战。本报告融合经典变分模型、空间自适应加权策略与数据驱动方法，构建像素级加权的二次变分模型，通过空间变化的能量范数分别刻画卡通与纹理的先验特性，在保持求解效率的同时有效提升模型的表达能力。

报告人简介：文有为，博士，湖南师范大学数学与统计学院二级教授、博士生导师。现任湖南省运筹学会副理事长、“计算与随机数学” 教育部重点实验室视觉处理与数据分析方向负责人。获香港大学博士学位，先后在新加坡国立大学、香港中文大学从事访问研究及博士后工作。主要从事图像反问题、数值计算与优化方法研究，提出的解耦框架被 BM3D-MRI、光谱 CT 重建等国际前沿方法直接采纳，成为核心算法基础。发表高水平论文 50 余篇，含 SIAM 系列（SISC、SIIMS、MMS、SIMAX） 8 篇、Inverse Problems 与 Applied Optics 封面论文各 1 篇、IEEE TIP 5 篇、CVPR 2 篇；获湖南省、甘肃省自然科学奖二等奖各 1 项。

几何对称先验与深度网络模块

谢琦 西安交通大学

报告摘要：本报告以图像处理为例，探讨几何对称性先验在深度网络设计中的重要性，重点介绍高精度旋转/尺度等变卷积、旋转等变隐式神经表示、旋转等变Vision Transformer（ViT）、变换可学习等变卷积、等新型网络基础模块的构建方法与基础理论；进一步地，本报告将通过医学自然图像处理、图像重建、多帧图像匹配等实际应用展示先验几何对称性的嵌入将显著提升模型的性能与泛化能力。

报告人简介：谢琦，西安交通大学数学与统计学院副教授，博导。于2013年7月和2020年12月分别获西安交通大学理学学士与理学博士学位。2017年8月至2018年9月曾赴普林斯顿大学访学。目前主要从事机器学习与计算机视觉的基础问题研究。以第一或通讯作者在领域顶刊TPAMI发表论文5篇；3篇论文入选ESI高被引论文。2015年至今，谷歌学术被引6500余次，H指数为26。曾获2022年CCF优秀博士学位论文奖”、“2021年ACM中国优博提名奖”、2024年华为“火花奖”、“2024年广东省自然科学奖一等奖”等奖项，主持国家重点研发计划课题。

数据不完备情形下的生成式医学影像分析方法研究

杨鹤然 西安交通大学

报告摘要：随着医学成像技术的迅猛发展，医学影像在疾病诊断、治疗规划及预后评估中的重要性日益凸显，已成为现代医疗体系中的核心部分。然而实际应用中，医学影像数据往往面临不完备的挑战，例如随机模态缺失、分割标签获取困难等问题，严重制约了医学影像分析方法的可用性和准确性，给相关研究带来了显著的技术瓶颈。针对这些难题，本报告将介绍报告人团队近年来应用生成式模型解决跨域泛化的医学影像分割问题、随机模态缺失情形下的医学影像生成问题等方面取得的一些进展，以期为解决医学影像数据不完备问题提供新的思路和方法。

报告人简介：杨鹤然，西安交通大学数学与统计学院副教授，国家医学攻关产教融合创新平台“智能化医学成像与辅助诊疗实验室”核心成员。2021年获西安交通大学理学博士学位，曾赴美国约翰霍普金斯大学IACL实验室进行为期一年的学术访问。长期从事医学影像分析基础模型、算法及应用研究，已在医学影像领域发表高水平论文14篇，其中以第一作者在IEEE TMI、MedIA、MICCAI等国际顶级期刊及会议发表论文7篇（含MICCAI口头报告1篇）。申请国家发明专利6项（授权3项），相关算法已与西安大医集团合作，成功应用于伽玛刀设备并进入二类医疗器械注册申报流程。目前主持国家自然科学青年基金1项、国家重点项目子课题2项，参与多项科技部及数学天元基金重点专项。长期担任IEEE TPAMI、TMI、TIP等国际顶级期刊，MICCAI、ECCV、ICCV、ICLR等国际顶级会议的审稿人。

AS2LS: Adaptive Anatomical Structure-based Two-layer Level Set Framework for Medical Image Segmentation

杨云云 哈尔滨工业大学（深圳）

报告摘要：Medical images often exhibit intricate structures, inhomogeneous intensity, significant noise and blurred edges, presenting challenges for medical image segmentation. Several segmentation algorithms grounded in mathematics, computer science, and medical domains have been proposed to address this matter; nevertheless, there is still considerable scope for improvement. This paper proposes a novel adaptive anatomical structure-based two-layer level set framework (AS2LS) for segmenting organs with concentric structures, such as the left ventricle and the fundus. By adaptive fitting region and edge intensity information, the AS2LS achieves high accuracy in segmenting complex medical images characterized by inhomogeneous intensity, blurred boundaries and interference from surrounding organs. Moreover, we introduce a novel two-layer level set representation based on anatomical structures, coupled with a two-stage level set evolution algorithm. Experimental results demonstrate the superior accuracy of AS2LS in comparison to representative level set methods and deep learning methods.

报告人简介：哈尔滨工业大学（深圳）理学院教授，博士生导师，主要从事图像处理、医学图像分割、水平集方法、深度学习的研究，应用数学理论和方法解决医学图像分割问题。2012年7月和2008年7月分别获得哈尔滨工业大学计算数学博士和硕士学位。2009年9月至2010年9月在俄亥俄州立大学担任访问学者。2012年9月至2014年9月在哈尔滨工业大学（深圳）计算机科学与技术学院担任博士后，从事图像分割模型的研究。2015年8月入职哈尔滨工业大学（深圳）理学院。在图像处理领域以第一作者或通讯作者已经发表高水平国际学术期刊论文和国际会议论文共65篇，46篇国际期刊论文全部被SCI检索，19篇国际会议论文全部被EI检索。近五年以第一或通讯作者发表SCI期刊论文35篇，包括人工智能领域顶级期刊IEEE TRANSACTIONS ON IMAGE PROCESSING，PATTERN RECOGNITION，IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS、IEEE TRANSACTIONS ON MULTIMEDIA、IEEE TRANSACTIONS ON NETWORKING等中科院顶级期刊论文10余篇， EI会议论文10篇，包含计算机视觉领域顶级会议CVPR论文等。发明专利授权3项，出版专著2部。主持科研项目共10项，包括国家自然科学基金面上项目1项，国家自然科学青年基金项目1项、广东省自然科学基金面上项目1项、中国博士后科学基金项目1项和广东省自然科学基金博士启动项目1项、深圳市高等院校稳定支持计划面上项目1项、深圳市基础研究项目2项、深圳市引进人才项目1项等。2020年获“哈尔滨工业大学百年校庆”深圳校区百篇优秀研究生学位论文指导教师奖。2021-2025年获哈尔滨工业大学优秀硕士学位论文指导教师奖。2023与2024年获得深圳市优秀科技学术论文成果优秀奖，2023年获得广东省计算机学会优秀论文二等奖。2024年任职广东省运筹学会理事，2024年任职中国工业与应用数学学会专委会委员，2026年任职广东省数学学会理事。

矩阵Hadamard积的正定性及其应用

杨在 西安交通大学

报告摘要：根据经典的Schur积定理，两(半)正定矩阵的Hadamard积/逐点乘积(半)正定。那么，两奇异半正定矩阵的Hadamard积能正定吗？能否定量刻画？这在信号处理和数据分析中有何用处？报告将回答上述问题，并简要阐述数学如何推进工程研究，以及工程如何启发数学研究。

报告人简介：杨在，西安交通大学数学与统计学院教授、博士生导师，西安交大-华为数学技术联合实验室副主任。2007和2009年分获中山大学应用数学本科和硕士学位，2014年获新加坡南洋理工大学博士学位。主要从事无限维压缩感知理论、雷达与通信信号处理研究，解决了Carathéodory-Fejér定理高维形式、两奇异半正定矩阵Hadamard积的正定性判定等长期问题，在IEEE TIT、IEEE TSP、ACHA、SIMAX等期刊与会议发表学术论文80余篇，谷歌学术引用5000余次。任或曾任IEEE TSP编委、欧洲信号处理会议Tutorial授课人、CSIAM信息和通讯技术领域（ICT）的数学专委会委员、IEEE信号处理学会传感器阵列与多通道（SAM）技术委员会委员等。主持或完成国家基金委数学天元重点、优青、面上及青年基金，科技部重点研发课题，以及6项华为企业横向课题等；以第一完成人获陕西省自然科学奖一等奖和陕西高校科技成果特等奖。

Computing Low-Rank Pure Quaternion Tensor Approximations for Color Videos

俞久鹏（代武婷婷） 南京邮电大学

报告摘要：The key challenge in computing the optimal low-rank approximation for color videos represented as pure quaternion tensors lies in simultaneously preserving both the pure imaginary structure and the low-rank property. To address this, we propose a novel quaternion tensor model that incorporates these two constraints, each of which is shown to form a manifold. The pure imaginary constraint ensures that the resulting tensor remains unaffected by nonzero real components, allowing the low-rank approximation to operate directly on the color information. A new iterative alternating projection algorithm is developed to compute the solution in the intersection of the low-rank quaternion tensor manifold and the pure quaternion tensor manifold, and it is theoretically guaranteed to converge. Numerical experiments on synthetic data and color videos demonstrate that our algorithms outperform the other state-of-the-art algorithms.

报告人简介：武婷婷，南京邮电大学理学院教授、博士生导师。入选江苏省高校“青蓝工程”优秀青年骨干教师、南京邮电大学“1311人才计划-鼎新学者”、江苏省科技副总，获得南京邮电大学“教学标兵奖”、南京邮电大学“优秀研究生导师”称号。兼任江苏省运筹学会理事和中国商业统计学会理事。先后主持国家自然科学基金 5 项，主要从事大规模数值算法的理论分析及其在图像恢复、图像分割、机器学习与人工智能等领域的应用研究，在国内外高水平期刊发表论文近70篇。

机理与数据融合的血管系统及超声图像计算方法研究进展

张建峰 浙江师范大学

报告摘要：基于超声等医学影像的人体生物脉管系统分析、关键目标识别和精准分割等问题一直是医学图像计算领域的热点与难点。结合脉管生长扩展所遵循的物理规律、医学目标的知识机理约束、数据驱动方法及大模型的零样本泛化，报告人团队提出机理与数据融合的血管系统分析方法以及超声图像分割方法，旨在更好地解决连续性、精准性等难题，从而解决智能精准辅助诊疗中的实际需求，同时为融合生物知识机理的医学图像处理方法体系提供一定借鉴。

报告人简介：张建峰，副教授，浙江师范大学数理医学院人工智能系主任，CSIAM数学与医学交叉学科专委会委员、浙江省数理医学学会核医学等多个专委会委员、中国数学会终身会员。本科就读于太原理工大学信息与计算科学系并保研本校计算数学系，2019年曾访问澳门大学，2022年博士毕业于浙江大学应用数学系，同年入职浙江师范大学。主要从事医学图像计算、数值优化、医学人工智能等方面的多学科交叉研究。目前，主持重点教材建设项目1项（即将出版）、参编中文专著2部，主持或主持完成国自然、省/市揭榜挂帅在内的科研教研项目多项，在EABE、BSPC等发表SCI论文、公开/授权国家发明专利、软件著作权等30余项。

Motion Estimation in Image Registration and Imaging

张建平 湘潭大学

报告摘要：The rapid evolution of imaging technologies—from MRI and CT to ultrasound and remote sensing—has generated an extraordinary amount of complex data. Transforming this raw pixel data into usable insight presents a significant challenge at the intersection of medicine, computer science, and applied mathematics. This talk will explore the pivotal role of advanced mathematical methods as the foundational learning engine for modern image registration and dynamical imaging.

报告人简介：张建平，男，理学博士，教授，博士生导师，于2013年2月加入湘潭大学数学与计算科学学院教师团队。先后获得湘潭大学“数学与应用数学”专业学士学位、大连理工大学“计算数学”专业博士学位；在香港城市大学电脑科学系、利物浦大学数学系从事了四年的博士后工作。长期致力于计算机视觉及图像处理中的数学问题、机器学习、深度学习及其应用方面的研究，相应成果以第一作者或通讯作者发表在SIAM J.Imaging Sci.、SIAM J.Numer.Anal.、IEEE TGRS、IEEE JBHI、IEEE TCI、J Comput.Phys.等国际重要刊物上；主持完成国家自然科学基金青年、面上项目及省部级项目多项；作为主要骨干成员或子课题负责人参与科技部遥感重大项目、湖南省科技厅重大应用基础研究与成果转化及产业化医学项目、湖南省科技厅高新技术发展及产业重点研发项目、湖南省科技厅"社会发展领域重点研发项目"、国家自然科学基金与省部级项目近10 项。

脑卒中斑块磁共振成像的智能量化与风险分层研究

张娜 中国科学院深圳先进技术研究院

报告摘要：缺血性脑卒中具有高发病率、高致残率的特点，动脉粥样硬化斑块破裂是导致缺血性脑卒中的关键风险因素。高分辨率磁共振血管壁成像（HR-VWI）能够清晰显示管腔、管壁及斑块成分，是评估斑块破裂风险的主要手段，但其图像分析面临三大挑战：血管走形弯曲导致二维断面观察不精确、斑块边界模糊导致手动分割可重复性差、多模态影像特征与临床结局之间的非线性关系难以捕捉。本报告旨在介绍一套针对脑卒中斑块智能分析的全流程方法。

报告人简介：张娜，博士，中国科学院深圳先进技术研究院研究员、博士生导师、广东省杰出青年基金获得者、深圳市孔雀计划海外高层次人才。研究方向为磁共振成像与图像处理。先后主持国自然专项项目、国家重点研发课题、广东省杰青/国际合作/面上、深圳市基础研究等各级科研项目多项。以第一完成人获得吴文俊人工智能奖、粤港澳大湾区高价值专利金奖、广东省生物医学工程科学技术奖等多个科研奖励。共发表本领域SCI权威期刊论文60余篇，多次获邀在国际医学磁共振年会上做报告介绍最新研究成果，并获得大会颁发的《Summa Cum Laude》、《Magna Cum Laude》等优秀奖项。先后授权美国/中国发明专利30余项，并实现转移转化。

Stochastic alternating structure-adapted proximal gradient descent with variance reduction for nonconvex nonsmooth problem

张文星 电子科技大学

报告摘要：The blocky optimization has gained a significant amount of attention in far-reaching practical applications. We develop a stochastic alternating structure-adapted proximal (s-ASAP) gradient descent method for solving blocky optimization problems. By deploying some variance reduced gradient estimators, s-ASAP is applicable to nonconvex optimization whose objective is the sum of a finite number of differentiable nonconvex functions.  The sublinear convergence rate of s-ASAP is built upon the proximal point algorithmic framework, whilst the linear convergence rate of s-ASAP is achieved under the error bound condition.

报告人简介：张文星，电子科技大学数学科学学院，教授，博士毕业于南京大学数学系。曾于法国图卢兹大学从事博士后工作。研究方向为最优化理论与算法、变分不等式及应用。四川省学术和技术带头人后备人选。主持国家自然科学基金项目3项。在Math Comput, SIAM J Imag Sci, Inverse Problems, J Sci Comput, Comput Optim Appl, IEEE系列杂志发表论文20余篇。