Mason学长聊留学，旨在为大家提供更加全面、深入的导师解析和科研辅导！每期我们会邀请团队的博士对全球各个领域的教授导师进行详细解析，从教授简介与研究背景 / 主要研究方向与成果分析 / 研究方法与特色 / 研究前沿与发展趋势 / 对有意申请教授课题组的建议这五个方面，帮助大家更好地了解导师，学会申请！
一、教授简介与研究背景
Prof. Yui Lam Chan是香港理工大学电子与信息工程系的副教授，长期从事多媒体技术、信号处理和视频编码等领域的研究。他于1993年和1997年在香港理工大学分别获得电子工程专业的一等荣誉学士学位和博士学位。在求学阶段，Prof. Chan因优秀的学术表现获得了十余项奖学金与荣誉称号，其中包括爱德华·尤德爵士纪念奖学金和裘槎基金会奖学金，为其未来的学术道路奠定了扎实的基础。
自1997年加入香港理工大学以来，Prof. Chan在科研和教学方面均取得了显著的成绩。他多次获得香港大学教育资助委员会（UGC）的竞争性研究基金资助，并在2005年获得了工程学院教学团队奖和研究资助成就奖。他还担任了多个国际顶级期刊和会议的编辑或组织者角色，例如 IEEE Transactions on Image Processing 的副编辑，以及 2010 IEEE 图像处理国际会议秘书和 2014 数字信号处理会议技术计划主席。
至今，Prof. Chan已在国际顶级期刊和会议上发表了超过90篇学术论文，其中许多被收录于 IEEE Transactions on Image Processing 和 IEEE Transactions on Circuits and Systems for Video Technology 等权威期刊。他的一篇关于块运动矢量估计的论文自1990年以来成为 IEEE Transactions on Circuits and Systems for Video Technology 中引用次数最多的文章之一。
二、主要研究方向与成果分析
Prof. Chan的研究领域涵盖多媒体技术、信号处理、视频编码与压缩、视频质量评估，以及人工智能在视频处理中的应用。他的研究既注重理论探索，也在实际应用中取得了重要进展。以下是其主要研究方向的详细介绍：
2.1 视频质量评估与增强
视频质量评估（VQA）是多媒体技术中的一个核心问题，尤其是在当前在线视频流媒体和远程通信广泛应用的背景下。Prof. Chan的研究聚焦于无参考视频质量评估（No-Reference VQA），即无需原始参考视频的质量评估方法。他利用深度学习技术，提出了一系列结合时空特征学习的创新方法，为非参照式视频质量评估提供了新的解决思路。
代表性成果：
- Deep Learning Approach for No-Reference Screen Content Video Quality Assessment
该研究开发了一种基于深度学习的无参考屏幕内容视频质量评估方法，结合卷积神经网络（CNN）和时空特征提取技术，专门应对屏幕内容视频中图像纹理和文本信息对质量评估的特殊影响。此成果发表在 IEEE Transactions on Broadcasting。
- Quality Feature Learning via Multi-Channel CNN and GRU for No-Reference Video Quality Assessment
在这项研究中，他的团队结合多通道卷积神经网络（CNN）和门控循环单元（GRU），优化了视频质量评估的特征学习过程，相关论文发表在 IEEE Access。
这些研究为高效、可靠的非参照式视频质量评估工具的开发提供了技术基础，并在视频传输、视频会议和压缩算法优化中具有实际意义。
2.2 视频编码与压缩技术
Prof. Chan在视频编码和压缩领域的研究涵盖了高效视频编码（HEVC）、三维视频编码（3D-HEVC）以及多视图视频编码（MVC）等前沿方向。他的研究侧重于编码算法的优化、屏幕内容编码（SCC）的改进，以及提升编码技术的鲁棒性。
代表性成果：
- DeepSCC: Deep Learning-Based Fast Prediction Network for Screen Content Coding
此研究开发了一种用于屏幕内容编码的深度学习快速模式预测网络，显著降低了编码时间，同时保持了优秀的编码性能。论文发表在 IEEE Transactions on Circuits and Systems for Video Technology。
- Efficient Depth Intra Frame Coding in 3D-HEVC by Corner Points
该研究提出了一种基于角点的深度帧内编码方法，用以提升3D-HEVC的编码效率，研究成果发表在 IEEE Transactions on Image Processing。
面对未来超高清视频（如4K/8K视频）、虚拟现实（VR）以及多视角视频传输的需求，Prof. Chan的研究通过结合深度学习技术和传统编码方法，为下一代视频编码技术的发展提供了新的解决方案。
2.3 图像与视频超分辨率技术
图像与视频的超分辨率（Super-Resolution, SR）技术旨在从低分辨率数据中生成高分辨率图像或视频，是近年来图像处理领域的重要研究方向之一。Prof. Chan的团队利用深度学习模型，如变分自编码器（VAE）和卷积神经网络（CNN），提出了多种高效的超分辨率算法。
代表性成果：
- Photo-Realistic Image Super-Resolution via Variational Autoencoders
该研究提出了一种基于变分自动编码器的图像超分辨率方法，可以生成细节真实的高分辨率图像。相关论文发表在 IEEE Transactions on Circuits and Systems for Video Technology。
- Efficient Video Super-Resolution via Hierarchical Temporal Residual Networks
通过分层时间残差网络，该研究在降低计算复杂度的同时实现了视频的高效超分辨率重建。
超分辨率技术在医学影像、监控视频处理以及影视修复等领域具有重要应用潜力，而这些算法的开发为实际应用提供了技术支持。
2.4 深度学习在多媒体技术中的应用
Prof. Chan还将深度学习技术应用于多媒体技术的其他领域，例如遥感图像中的目标检测、异常检测，以及虚拟现实（VR）视频的编码优化。
代表性成果：
- Structured Adversarial Self-Supervised Learning for Robust Object Detection in Remote Sensing Images
该研究采用对抗性自监督学习方法，提升了遥感图像目标检测的鲁棒性，成果发表在 IEEE Transactions on Geoscience and Remote Sensing。
- 360-Degree Intra Coding Mode for Equirectangular Projection Format Videos
针对360度全景视频的等距矩形投影格式，提出了一种高效的帧内编码模式。
通过将深度学习与多媒体技术相结合，这些研究成果在提升模型性能的同时拓展了多媒体技术的应用范围。
三、研究方法与特色
Prof. Chan在研究中注重理论分析、算法开发与实验验证的结合，体现出以下几个显著特点：
- 深度学习与传统方法结合：在研究中，他将深度学习技术（如卷积神经网络）与传统视频处理算法结合，提升了模型的效率和性能。
- 多学科交叉：他的研究横跨信号处理、计算机视觉和深度学习等领域，展现了不同学科间的技术迁移与整合能力。
- 实际应用导向：许多研究基于实际应用需求展开，例如优化视频流媒体传输效率或应对带宽限制等问题。
四、研究前沿与发展趋势
根据 Prof. Chan的研究方向以及当前多媒体技术的发展态势，以下领域可能成为未来的研究热点：
- 视频质量评估的智能化：未来，基于用户感知的视频质量评估模型可能会进一步发展，尤其是在个性化和实时反馈方面。
- 高效视频编码：随着8K视频、多视角视频以及全景视频的普及，更高效的视频编码算法将成为研究重点。
- 实时超分辨率：低功耗、实时化的超分辨率算法将在移动和嵌入式设备中具有更广泛的应用前景。
- 深度学习模型的轻量化：在保证精度的同时，如何降低模型的计算复杂度与存储需求将是一个重要挑战。
五、对有意申请教授课题组的建议
对于希望加入 Prof. Chan课题组的学生，以下几点建议可能有所帮助：
- 熟悉研究方向：阅读 Prof. Chan的代表性论文，尤其是近年发表在 IEEE Transactions on Image Processing 和 IEEE Access 上的研究，了解其研究内容和方法。
- 具备相关技能：申请者需掌握信号处理、计算机视觉或深度学习相关知识，同时熟悉 Python、MATLAB 或 TensorFlow 等工具。
- 准备优秀的申请材料：包括个人陈述（明确兴趣方向）、科研经历（展示相关经验）和导师推荐信（体现科研能力）。
- 展示科研潜力：可以在申请中提出一个与 Prof. Chan研究相关的具体想法或实验设计，展现对研究问题的深入思考。
【竞赛报名/项目咨询+微信：mollywei007】
