澳门大学计算机科学全奖博士招生 | Prof. ZHOU

导师简介

如果你想申请澳门大学 计算机科学博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析澳门大学的Prof.ZHOU的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！

导师是澳门大学科技学院计算机与信息科学系的教授，同时也是视觉与图像处理实验室的主任。他于中国湖南大学获得电气工程学士学位，随后在美国塔夫茨大学(Tufts University)获得电气工程硕士和博士学位。导师目前是SPIE（国际光学工程学会）会士，在计算机视觉、图像处理和人工智能领域拥有杰出的学术成就。

作为一名国际知名的研究者，导师在学术界享有盛誉。根据斯坦福大学发布的"世界前2%顶尖科学家"榜单，导师在2020-2024年连续入选，这证明了他在全球计算机科学领域的影响力。他还在2020年和2021年被Clarivate评为"高被引研究者"，并于2024年被Scilit认可为"高被引学者"。

研究领域

导师的教学和研究兴趣主要集中在三个相互关联的领域：遥感成像(Remote Sensing Imaging)、图像处理(Image Processing)和计算机视觉(Computer Vision)。这些领域在技术上相互支持，共同构成了他研究工作的基础。

1. 遥感成像在遥感成像领域，导师专注于高光谱图像(Hyperspectral Image, HSI)的处理和分析技术。高光谱图像在光谱维度上具有丰富的信息，能够提供地表物体的详细光谱特征，因此在土地覆盖分类、环境监测和资源勘探等领域有广泛应用。导师在高光谱图像分类、聚类、波段选择和超分辨率重建等方面进行了深入研究，开发了多种创新算法以提高遥感图像的处理效率和准确性。
2. 图像处理在图像处理领域，导师的研究涵盖了多个方向，包括彩色图像拼接、图像加密、图像降噪和图像融合等。他特别关注四元数域(Quaternion Domain)中的图像处理技术，这种方法能够更有效地处理彩色图像中的通道间相关性。导师还研究了基于混沌系统的多媒体加密技术，为图像和视频安全提供了新的解决方案。
3. 计算机视觉在计算机视觉领域，导师的研究兴趣包括多视角聚类(Multi-view Clustering)、图像集分类(Image Set Classification)、目标检测和深度学习在视觉任务中的应用等。他开发了多种创新的特征提取和融合方法，以提高计算机视觉系统的性能。此外，导师近年来将量子计算理论引入计算机视觉，提出了量子启发的特征学习方法，开创了一个新的研究方向。

研究分析

1.《Quantum-Inspired Spectral-Spatial Pyramid Network for Hyperspectral Image Classification》

发表于2023年IEEE/CVF计算机视觉与模式识别会议(CVPR)

该论文提出了一种量子启发的光谱-空间金字塔网络(QSSPN)用于高光谱图像分类。该研究首次将量子理论引入高光谱图像处理模型设计中，通过模拟量子电路模型来构建深度学习架构。

具体而言，论文设计了一个量子启发的光谱-空间网络(QSSN)，包括相位预测模块(Phase-Prediction Module, PPM)和测量式融合模块(Measurement-like Fusion Module, MFM)。这两个模块分别受到量子计算中相位估计和量子测量过程的启发，能够动态融合光谱和空间信息。该网络使用量子表示来表示高光谱图像立方体，并通过MFM提取联合光谱-空间特征。

2.《Bidirectional Probabilistic Multi-graph Learning and Decomposition for Multi-view Clustering》

发表于IEEE Transactions on Image Processing (2025)

该论文针对多视角聚类问题，提出了一种双向概率多图学习和分解方法。传统的基于图的多视角聚类框架通常包括图学习和指示器生成两个步骤，但这种单向管道可能无法将学习到的图与底层数据结构对齐。

论文设计了一种双向图学习框架，通过引入概率模型和分解技术，实现了图学习和指示器生成之间的相互反馈。这种方法能够更好地捕捉多视角数据中的互补信息，提高聚类性能。研究表明，该方法在多个基准数据集上取得了优于现有技术的结果。

3.《Incomplete Multiview Clustering using Discriminative Feature Recovery and Tensorized Matrix Factorization》

发表于IEEE Transactions on Circuits and Systems for Video Technology (2025)

该论文解决了不完整多视角聚类的问题，即某些视角中存在缺失数据的情况。论文提出了一种基于判别性特征恢复和张量化矩阵分解的方法，能够有效地处理缺失视角问题。

具体而言，该方法首先通过判别性特征恢复技术补全缺失的视角数据，然后利用张量化矩阵分解来捕捉多视角数据中的高阶相关性。这种方法不仅能够处理缺失数据，还能保持不同视角之间的一致性和互补性，从而提高聚类性能。

4.《VLDFNet: Views-Graph and Latent Feature Disentangled Fusion Network for Multimodal Industrial Anomaly Detection》

发表于IEEE Transactions on Instrumentation and Measurement (2025)

该论文提出了一种视角图和潜在特征解耦融合网络(VLDFNet)，用于多模态工业异常检测。在工业环境中，异常检测面临的挑战包括干扰和复杂条件。

VLDFNet通过构建视角图来捕捉不同模态之间的关系，并通过解耦技术分离不同模态的特征，最后通过精心设计的融合机制整合这些特征。这种方法能够有效地利用多模态数据进行异常检测，提高检测的准确性和鲁棒性。该研究对工业质量控制和设备监测具有重要应用价值。

5.《Learning Orthogonal Latent Representations for Multi-View Clustering》

发表于IEEE Transactions on Multimedia (2025)

该论文针对多视角聚类问题，提出了一种基于正交潜在表示学习的方法。多视角数据通常包含冗余和噪声，如何学习有效的表示是关键挑战。

论文通过引入正交约束，学习不同视角的正交潜在表示，减少视角间的冗余，增强表示的判别性。同时，该方法还能够自适应地调整不同视角的权重，根据其重要性进行融合。实验结果表明，该方法在多个基准数据集上取得了优于现有技术的聚类性能。

6.《Pseudo Supervision Affinity Propagation for Efficient and Scalable Multi-View Clustering》

发表于IEEE Transactions on Neural Networks and Learning Systems (2025)

该论文提出了一种基于伪监督亲和传播的多视角聚类方法，旨在提高聚类的效率和可扩展性。

传统的基于锚点的多视角聚类(AGMVC)虽然高效，但仍存在单一结构相似性度量、大规模锚点图分割的高时间消耗和有限泛化能力等问题。为解决这些问题，论文提出了一种伪监督亲和传播方法，通过引入伪标签来指导聚类过程，并利用亲和传播算法实现高效的聚类。该方法在保持高聚类性能的同时，显著降低了计算复杂度，适用于大规模数据集。

项目分析

1."量子启发深度学习技术用于高光谱图像超分辨率"

项目时间：2025年1月至2026年12月，由澳门大学研究委员会资助。

这个项目旨在探索量子计算理论在高光谱图像超分辨率重建中的应用。高光谱图像超分辨率是一个重要但具有挑战性的任务，因为它需要同时考虑空间和光谱维度的信息。项目提出将量子计算中的概念和原理应用于深度学习模型设计，开发新型的高光谱图像超分辨率算法。

这项研究基于导师之前在量子启发网络方面的工作，进一步扩展到超分辨率任务。项目的创新点在于利用量子表示和量子操作来处理高维数据，设计更有效的特征提取和融合机制。预期成果包括新的量子启发深度学习模型和算法，以及在多个高光谱图像数据集上的超分辨率重建结果。

2."四元数域中的遥感图像拼接技术"

项目时间：2022年12月至2025年12月，由澳门科学技术发展基金资助。

这个项目研究四元数域中的遥感图像拼接技术。遥感图像拼接是将多幅具有重叠区域的图像组合成一幅无缝图像的过程，在遥感应用中具有重要意义。传统的图像拼接方法通常在RGB域或灰度域中处理，而这个项目创新地探索在四元数域中进行图像拼接。

四元数作为复数的扩展，可以更有效地表示和处理彩色图像。项目提出了基于四元数秩-1对齐的自动彩色图像拼接方法，能够更好地保持图像的颜色一致性和结构完整性。该方法已在导师发表的CVPR 2022论文中得到验证，并在本项目中进一步扩展到遥感图像处理。

3."典型区域生态环境的应用遥感技术"

项目时间：2021年6月至2023年1月，由中国科学院航天信息研究院资助。

这个项目关注应用遥感技术对典型区域的生态环境进行监测和分析。项目利用多种遥感数据源，包括高光谱卫星图像，来评估和监测生态环境状况，为环境保护和资源管理提供科学依据。

项目的主要工作包括遥感数据的获取和预处理、特征提取和分析、生态环境指标的建立和评估等。导师在项目中应用了他在高光谱图像处理和分析方面的专业知识，开发了一系列算法和工具来提高遥感数据的处理效率和分析准确性。项目成果对环境监测、生态保护和可持续发展具有重要价值。

研究想法

1. 基于量子计算理论的多视角数据融合

导师在量子启发的特征学习和多视角聚类方面都有深入研究，结合这两个方向可以提出一个新的研究方向：基于量子计算理论的多视角数据融合。具体而言，可以探索如何利用量子计算中的概念和原理，如量子纠缠、量子态叠加和量子测量，来设计新型的多视角数据融合算法。这些算法可以更有效地捕捉多视角数据中的互补和一致信息，提高数据融合的性能。

研究内容可以包括：

• 设计基于量子表示的多视角数据模型，将不同视角的数据表示为量子态
• 开发量子启发的特征提取和融合方法，利用量子操作进行多视角特征的整合
• 探索量子测量理论在多视角决策融合中的应用
• 在多视角分类、聚类和检索等任务中验证所提方法的有效性

2. 自适应多模态遥感图像处理框架

考虑到导师在遥感成像和多视角学习方面的研究，可以提出一个自适应多模态遥感图像处理框架。现代遥感系统通常可以获取多种类型的数据，如光学图像、高光谱图像、合成孔径雷达(SAR)图像和激光雷达数据等。如何有效地处理和融合这些多模态数据是一个重要的研究问题。

研究内容可以包括：

• 设计多模态遥感数据的特征提取和表示方法，考虑不同模态数据的特性
• 开发自适应的模态重要性评估机制，根据任务和数据质量动态调整不同模态的权重
• 提出多模态遥感数据的联合处理算法，应用于分类、变化检测和目标识别等任务
• 构建综合评估体系，全面评价多模态遥感图像处理方法的性能

3. 图神经网络与量子计算结合的高光谱图像分析

图神经网络(GNN)在处理具有复杂结构的数据方面表现出色，而量子计算理论为设计新型算法提供了灵感。结合导师在这两个方面的研究，可以探索图神经网络与量子计算结合的高光谱图像分析方法。

研究内容可以包括：

• 构建基于像素关系的高光谱图像图结构，捕捉空间和光谱域的相关性
• 设计量子启发的图神经网络架构，利用量子概念增强图结构学习能力
• 开发图神经网络和量子特征提取的混合模型，用于高光谱图像分类、分割和目标检测
• 研究模型的可解释性，分析量子启发机制对图神经网络性能的影响

4. 安全高效的遥感数据隐私保护技术

随着遥感数据的广泛应用，数据安全和隐私保护变得越来越重要。导师在多媒体安全和遥感图像处理方面的研究背景为探索这一问题提供了基础。

研究内容可以包括：

• 设计基于混沌系统的遥感数据加密算法，保护敏感信息
• 开发可逆数据隐藏技术，实现遥感图像的版权保护和认证
• 研究遥感数据的隐私保护机制，在保护隐私的同时保持数据的可用性
• 探索基于联邦学习的遥感数据分析框架，实现数据不共享的协作分析

5. 基于四元数表示的彩色遥感图像处理统一框架

四元数作为处理彩色图像的有效工具，已在导师的研究中得到应用。基于此，可以提出一个基于四元数表示的彩色遥感图像处理统一框架，将四元数理论应用于各种遥感图像处理任务。

研究内容可以包括：

• 建立四元数域中的彩色遥感图像表示模型，捕捉通道间的相关性
• 开发基于四元数的特征提取、变换和分解方法
• 设计四元数域中的遥感图像滤波、融合、分割和分类算法
• 构建基于四元数的遥感图像质量评价指标体系

申请建议

1. 研究背景准备

• 掌握相关领域的基础知识：深入学习计算机视觉、图像处理和机器学习的基础理论，特别是深度学习、图理论和多视角学习等导师研究的核心内容。推荐阅读经典教材如《Computer Vision: Algorithms and Applications》、《Digital Image Processing》和《Pattern Recognition and Machine Learning》。
• 熟悉导师的研究工作：详细阅读导师近5年发表的论文，特别是在IEEE Transactions on Image Processing、IEEE Transactions on Neural Networks and Learning Systems和CVPR等高水平期刊和会议上发表的工作。重点理解导师在量子启发的特征学习、多视角聚类和高光谱图像处理方面的创新点。
• 掌握必要的编程技能：熟练使用Python和相关库(如PyTorch、TensorFlow、OpenCV等)进行算法实现和实验验证。导师的研究多涉及算法开发和实验验证，良好的编程能力是必不可少的。

2. 研究提案准备

• 紧跟领域前沿：通过Google Scholar、arXiv等平台关注研究领域的最新进展，确保研究提案具有创新性和前瞻性。特别关注量子计算与计算机视觉结合、多视角学习和遥感图像分析的新发展。
• 明确研究问题：基于导师的研究方向，提出1-2个具体的研究问题，并清晰地阐述其学术价值和潜在应用。例如，探索量子启发的多视角数据融合、四元数域中的遥感图像处理或基于图神经网络的高光谱图像分析等。
• 设计研究方法：详细描述拟采用的研究方法和技术路线，包括数据集选择、算法设计、实验验证和性能评估等。展示自己的专业能力和研究思路。

3. 个人能力展示

• 发表学术论文：如果有可能，在申请前发表与导师研究方向相关的学术论文，特别是在国际期刊或会议上的论文，这将极大地提高申请竞争力。
• 参与相关项目：积极参与与计算机视觉、图像处理或遥感分析相关的研究项目，积累实际研究经验，并在申请材料中详细描述项目贡献。
• 参加学术竞赛：参加与导师研究方向相关的学术竞赛，如高光谱图像分类竞赛、图像处理竞赛等，获得良好成绩能够证明自己的实际能力。
• 强化数学基础：导师的研究涉及较复杂的数学理论，如图理论、张量分析、四元数理论和量子计算等。良好的数学基础将有助于理解和扩展这些工作。

4. 联系策略

• 个性化初次邮件：联系导师时，撰写个性化的邮件，展示对导师研究的了解和兴趣。避免群发式的通用邮件，而是针对导师的具体研究成果和方向进行评论和讨论。
• 准备研究简报：准备一份简短的研究简报(Research Brief)，概述自己的研究背景、技能和与导师研究的契合点，以及初步的研究想法。这份文档应当简洁（2-3页）但内容充实。
• 表达合作意愿：明确表达希望在导师指导下开展研究的意愿，并说明自己能为导师的研究团队带来的价值。强调自己的学习能力和团队合作精神。
• 保持适度跟进：如果第一次联系没有得到回应，可以在2-3周后进行一次礼貌的跟进。避免过于频繁的打扰，尊重导师的时间。

5. 申请材料准备

• 精心撰写研究计划：研究计划是申请材料的核心，应当详细阐述研究背景、问题定义、方法设计、预期贡献和时间规划。研究计划应当与导师的研究方向高度相关，同时展示自己的独立思考能力。
• 准备技术报告：如果有条件，可以准备一份与导师研究相关的技术报告，实现一个简化版的算法或复现一篇相关论文的结果，这将有力地证明自己的技术能力。
• 个性化推荐信：寻求熟悉自己研究能力的教授或导师撰写推荐信，推荐信应当具体描述自己的研究能力、学术潜力和与导师研究方向的契合度。
• 突出国际视野：导师具有丰富的国际学术经验和合作，在申请材料中展示自己的国际视野和跨文化交流能力将是加分项。

博士背景

Aurelia ，美国TOP10院校计算机科学与认知科学双博士生，研究聚焦算法博弈论不确定性及其在人工智能中的应用。她的跨学科研究融合了计算机科学、语言学和心理学知识，在国际顶级期刊《Journal of Artificial Intelligence Research》和《Cognitive Science》上发表多篇论文。Aurelia 荣获ACM SIGAI博士论文奖，擅长相关方向的PhD申请指导。