压缩感知

在压缩感知方向，我主要具备以下方面的研究与实践经验：压缩感知应用、扰动压缩感知（Perturbed Compressed Sensing）与深度压缩感知（Deep Compressed Sensing）。

压缩感知应用

我的硕士论文围绕光伏电池缺陷检测场景，针对强噪声条件下的成像与检测问题开展研究：
Thesis

扰动压缩感知（Perturbed Compressed Sensing）

我的近期兴趣之一是推进扰动压缩感知理论：该理论不仅考虑测量噪声（measurement noise），还进一步将感知矩阵/测量矩阵的误差（sensing matrix perturbation）纳入建模与推导，从而更贴近真实工程系统中“模型与硬件非理想”带来的误差来源。

深度压缩感知（Deep Compressed Sensing）

在深度学习方向，我关注通过更高效的网络结构提升视觉任务的表达能力与推理效率，尤其是面向图像压缩感知重建等任务。

目前我重点探索以 Mamba 等新型模型替代传统 Transformer 架构的可行性，目标是在保持或提升重建质量的同时，降低复杂度、提升效率，并实现更好的部署友好性与可扩展性。