计算机科学与人工智能：计算机视觉与深度学习在图像生成及处理中的应用研究

计算机科学与人工智能：计算机视觉与深度学习在图像生成及处理中的应用研究

开始日期: 2026-03-14

课时安排: 6周在线小组科研+5周论文指导

Prerequisites适合人群

适合年级 (Grade): 高中生/大学生

适合专业 (Major): 对计算机科学、人工智能、图像处理、大模型等方向感兴趣的学生，建议具备Python编程基础（先导课），了解人工智能基本原理；中文授课英文ppt，建议具备英文阅读能力

Instructor Introduction导师介绍

L老师

南洋理工大学终身教授

南洋理工大学 QS专排亚洲Top2

L老师 终身教授 博士生导师

新加坡国立大学 博士

多次获得ICDAR比赛一等奖

曾任 新加坡科技研究局信息通信研究所图像和普适性访问实验室 联合主席

研究方向：计算机视觉与传感、图形与交互式计算、图像和视频分析、神经技术

L老师现任南洋理工大学Associate Professor，于计算机视觉国际顶级期刊发表论文百余篇，并在这些研究领域共同撰写了多达10项专利。目前是《模式识别(PR)和神经计算》杂志的副主编。曾任新加坡科技研究局（A*SATR）下属的信息通信研究所（I2R）视觉注意力实验室负责人、卫星部副主任、图像和普适性访问实验室联合主席。

Program Background项目背景

计算机视觉在深度学习的助推下已经取得了长足的发展。在过去的一两年，在大数据，大模型，多模态，以及超级算力的驱动下，计算机视觉的发展更可以说是突飞猛进，日新月异。然而，因为高昂的成本，大数据，大模型，超级算力不可能无限制扩张，人工智能，深度学习，和计算机视觉的可持续研究与发展也因此引起了越来越多的关注。相关的研究，比如训练数据自动生成，自监督学习，迁移学习，小样本学习等也激发了更多的研究兴趣和研究工作。

Program Description项目介绍

这个短课程主要分享当前的深度学习和计算机视觉研究如何从两个方向来缓解人工智能的可持续发展挑战。一个方向是通过自动图像生成来缓解大数据收集和标注的难题，主要讲解如何设计深度网络来生成自带标注的可有效应用于深度网络训练的图像及其它视觉数据。主要内容涵盖基于合成的图像生成，保持语义的图像风格迁移，图像编辑，三维图像生成，点云生成及风格迁移等。另一个方面是通过知识迁移来减少在处理各种下游新任务时的网络训练，从而大幅减少训练深度网络时的算力成本。主要内容涵盖无监督跨域迁移，无监督模型跨域迁移，泛化学习，大模型跨域迁移等。通过这个短课程，学生将对深度数据生成和跨域知识迁移技术有一个深入的认识和理解，同时对当前的大数据，大模型，多模态学习对人工智能的可持续性发展的挑战有一个全面的认知。

Syllabus项目大纲

对抗生成网络，基于合成的图像生成：课程简介、对抗生成网络介绍、二维图像合成技术、三维图像合成技术、点云合成技术

基于风格迁移的图像生成：图像风格迁移简介、图像风格迁移技术、高级图像风格迁移技术、三维图像风格迁移技术、点云风格迁移技术

基于编辑的图像生成：图像编辑简介、图像编辑技术、图像补全技术、三维图像编辑技术

无监督跨域迁移：无监督跨域迁移简介、输入空间无监督跨域迁移技术、特征空间无监督跨域迁移技术、输出空间无监督跨域迁移技术

无监督跨域模型迁移，泛化学习，大模型迁移：无监督跨域模型迁移技术、无监督黑箱迁移技术、泛化学习技术、实时在线迁移技术、大模型蒸馏与迁移技术

学生研究方向线上答辩：学生作品报告展示、评价和指导

Program Outcome项目收获

6周【在线小组科研+全球就业力大师课】+5周论文指导，共126课时

1500字左右的项目报告

优秀学员获得主导师推荐信（8封网推）

项目结业证书

EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导或者CNKI检索的英文普刊全文投递与发表指导

上一篇：数字媒体与智能传播： 人工智能视域下数字媒体传播的变革与应对 探究“被数据化的个体”与“被媒介化的生存”

下一篇：AI与HCI人机交互专题：寻求人机交互与人机信任的“和谐共生”——智能环境下系统安全性设计与用户体验优化策略研究