报 告 题 目：High-Dimensional Data Recovery: From Sparse Prior, Low-Rank Prior to Deep Prior

主 讲 人：赵 熙 乐

单 位：电子科技大学

时 间：5月12日15:00-17:00

腾讯 ID：911-701-782

摘 要：

Recently, low-rank tensor decomposition methods have received increasing attention for high-dimensional data recovery. However, only considering the low-rank structure of high-dimensional data is not sufficient for high-dimensional data recovery, especially for extremely complex imaging scenarios. In this talk, we will discuss how to bring the respective strengths of sparse prior, low-rank prior, and deep prior into high-dimensional data recovery. Extensive numerical examples are delivered to demonstrate the superiority of the suggested methods over state-of-the-art methods.

简 介：

赵熙乐，电子科技大学教授、博士生导师。入选电子科技大学百人计划和四川省学术和技术带头人后备人选。主要研究兴趣为高维图像反问题的数学和深度方法等，受邀撰写Elsevier出版社和科学出版社出版的学术专著章节2章，以第一或通讯作者在高水平期刊和会议发表学术论文60余篇，包括应用数学权威SIAM 系列期刊(SIIMS和SISC)和图像处理权威IEEE系列期刊(TIP、TNNLS、TCYB、TCI和TGRS)及人工智能权威会议CVPR和AAAI等。主持国家自然科学基金面上项目和青年项目、四川省应用基础研究项目等。研究成果获四川省科技进步奖一等奖(自然科学类、科技进步类)、中国计算数学学会青年优秀论文竞赛二等奖、第一、第二届连续两届川渝科技学术大会优秀论文一等奖、首届四川省数学会应用数学奖二等奖。