研究内容：探讨基于散射介质对于光线传播的空频作用的数学模型，以及多维散射光场的信息解耦与重建方法的数学模型，以及计算光照、计算传感理论和数学优化理论等，深入研究恶劣环境下低级视觉任务内在的数学机理，尝试在图像/视频数据去噪去雾恢复增强的数学模型、理论和高性能算法研究方面取得较大进展；深刻分析现有图像视频、三维点云物品识别的深度学习数学模型框架缺陷，研究其内在数学机理和理论，在高级视觉任务中复杂环境下物品检测的深度神经网络关键机理、架构和算法研究取得一定进展。

研究目标：（1）开发低秩视觉任务最新数学模型，使得在Cloumbia MSI数据集上，加性高斯噪声方差为0.3的高噪声强度情形下，实现图像恢复效果PSNR值比最新技术KBR方法[Q. Xie, et.al., IEEE TPAMI, 2018]平均高0.5 db；（2）开发目标检测新型深度学习神经网络，使得目标检测率在标准目标检测数据集COCO 2017上超越当前最新技术ECANet [Q. Wang, et.al., CVPR, 2020]，具体在评价指标AP₇₅上高0.5%。

研究方案：在低级恶劣环境下低级视觉任务研究方面，将深入研究关于散射介质对于光线传播的空频作用模型、多维散射光场的信息解耦与重建方法、图像低光照模型Retinex理论，以及智能视网膜变分辨成像系统等理论和技术，针对特定的低级视觉任务，深入研究深度学习神经网络的内在数学机理，设计和构建合适的网络架构。针对基于进化算法的自动化深度学习神经网络构架搜索，我们拟设计更加有效简洁的超网络结构或子网络种群，注重在神经网络结构的有效性和算法的复杂度两个方面同时提升目标检测算法；在基于可微分构架的自动化神经构架搜索，我们拟使用更加简洁有效和更加多样性的神经网络基础单元，同时注重算法的计算效率提升。

核心团队：深圳大学徐晨、鲁坚教授课题组和王跃飞、陈之兵教授课题组在计算机视觉图像/视频处理与分析的数学模型与优化理论方面具有扎实的研究基础。特别是在图像/视频恢复与增强、三维图像重建等的数学建模、算法及其应用，以及低秩非凸优化、子空间聚类等基础理论问题有深入的研究。研究团队在该领域获得国家自然科学基金项目和省部级基金项目20多项，在ACHA、IP、IEEETIP、PR等国际权威期刊发表和录用SCI检索论文80多篇。