Mason学长聊科研，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，学会科研！
教授简介与研究背景
郎教授现为东北大学计算机科学与工程学院副教授、硕士生导师，主要从事压缩感知理论、计算成像技术及信息安全与对抗等领域的研究。本科及硕士阶段，他在哈尔滨工业大学数学系分别完成了信息与计算科学及应用数学专业的学习，后于北京理工大学攻读博士学位，研究方向为信息安全与对抗技术，师从著名信息安全专家王越院士。这一跨学科的学习经历为他在理论研究与实践应用上的深入探索奠定了坚实基础。
自2011年加入东北大学以来，郎教授持续深耕信号处理与信息安全领域，研究成果涵盖从医疗图像分割到光学加密的多个方向。他在国际知名学术期刊（如 Journal of Computational Science、Computers in Biology and Medicine）上发表了多篇高水平论文，展示了其在信息处理与安全领域的系统性研究。其工作紧密结合实际问题，涉及医学影像处理、光学通信加密等方向，显示出较强的应用潜力。
主要研究方向与成果分析
2.1 压缩感知理论
压缩感知（Compressed Sensing, CS）是一种新兴的信号处理技术，通过少量采样点即可实现高质量信号的重建，突破了传统奈奎斯特采样定理的限制。郎教授的研究重点在于压缩感知算法的优化及其在医学成像中的应用。他提出了一种基于光谱图小波变换的欠采样MRI（磁共振成像）重建方法，有助于提高图像重建效率和精度。此外，他开发了可调节收缩阈值投影算法（2022, Magnetic Resonance Imaging），有效改进了磁共振成像中压缩感知的重建性能。
通过这些研究，压缩感知算法的效率和适用性得到了进一步增强，这些算法为降低医学影像处理的成本和时间提供了可能性，尤其适用于医疗资源有限的环境。
2.2 计算成像技术
计算成像技术融合了传统光学与计算机算法，能够突破硬件设备的物理限制，生成更高质量的图像。郎教授针对这一领域，提出了轻量化上下文与通道融合神经网络（LCCF-Net）（2023, Biomedical Signal Processing and Control），用于医学图像分割。这种模型能够在有限计算资源的条件下实现对医学影像中病灶区域的精准识别。
此外，他研究了基于低秩Hankel矩阵分解的非均匀采样2D核磁共振光谱重建方法（2023, Journal of Computational Science），该方法在处理复杂光谱数据时兼顾了计算效率与重建精度。这些研究有助于推动多模态成像技术的发展，拓宽了医疗诊断的技术路径。
2.3 信息安全与对抗
信息安全与对抗技术是郎教授的重要研究领域之一。他在光学图像加密与数字水印技术方面取得了多项成果。例如，他提出了一种基于压缩感知显著特征的零水印方法（2023, Multimedia Tools and Applications），提高了数字水印技术的抗攻击能力。此外，他研究了基于混沌变换与分数傅里叶变换的光学图像加密技术（2015, Optics Communications），通过多参数变换增强了信息传输过程中的安全性。
在信息安全领域，他的研究关注如何提升加密算法的复杂性与数据的抗破解性，同时结合压缩感知等技术实现数据安全与高效处理的统一。
研究方法与特色
郎教授的研究方法在理论与实践之间架起了桥梁，其研究呈现出以下特色：
3.1 理论基础与实际应用的结合
郎教授注重从理论出发，解决实际问题。例如，他在压缩感知领域的研究不仅涉及算法的理论分析，还通过实验验证其在医学图像处理中的实际效果。这种理论与实践相结合的研究方式，使他的成果不仅具有学术价值，同时具备广泛的应用场景。
3.2 跨学科的研究视野
凭借数学与信息科学的交叉背景，郎教授的研究常涉及多个学科的结合。例如，他将低秩矩阵分解方法应用到高维光谱数据重建中，同时将信号处理技术与深度学习结合，在医学影像、光学及信息加密等领域实现了多学科的交叉应用。
3.3 算法的优化与高效实现
郎教授的研究强调算法的性能优化。例如，他提出的基于惯性动量的非凸因子分解算法（2021, Digital Signal Processing），大幅提高了非均匀采样核磁共振光谱重建的效率。这类优化方法不仅提升了算法的计算效率，也为其在实际工程中的应用创造了可能。
研究前沿与发展趋势
郎教授的研究领域涵盖多个快速发展的学科，以下是一些重要的研究趋势：
4.1 压缩感知与深度学习的融合
近年来，深度学习在信号处理领域的应用不断扩展，压缩感知技术也逐渐与神经网络算法相结合。例如，生成对抗网络（GAN）被用于构建压缩感知模型，以提高信号重建的质量和效率。未来，如何在压缩感知模型中更好地融入深度学习的特性，将是研究的重点方向。
4.2 多模态成像技术的发展
多模态成像技术（如结合MRI与CT）可以提供更加全面的医学信息。郎教授的研究已涉及多模态数据处理，未来，这一领域的重点可能在于如何利用计算成像技术融合不同模态的信息，构建更高效的诊断模型。
4.3 信息安全在新技术环境下的拓展
随着量子计算技术的快速发展，传统加密算法面临全新的挑战。郎教授在光学加密与零水印技术方面的研究，为抗量子攻击的安全技术提供了初步探索。未来，这类研究可能进一步延展至量子密码学与新型加密技术的开发。
对有意申请教授课题组的建议
对于希望加入郎教授课题组的学生，可以从以下几个方面着手准备：
5.1 夯实数学与编程基础
郎教授的研究内容涉及大量的数学理论（如线性代数、概率论、优化理论）与算法开发。申请者需要具备扎实的数学基础，同时熟悉Python、MATLAB等编程工具，以及深度学习框架（如TensorFlow、PyTorch）的使用。
5.2 了解相关研究方向
在申请之前，可以阅读郎教授的代表性论文，熟悉其具体研究方向及方法。通过深入了解压缩感知、计算成像与信息安全领域的相关背景知识，明确自己的兴趣点与研究目标。
5.3 展示科研能力与潜力
如果申请者有相关的科研经历或项目经验，可以重点展示自己在算法设计、数据处理或系统开发中的具体贡献。通过具体案例说明自己的科研能力，将有助于获得导师的认可。
5.4 制定清晰的研究目标
在申请时，建议明确表达自己希望加入课题组的目的及未来规划。例如，可以阐述自己对某一研究方向的兴趣，或者希望进一步深造或从事相关产业应用的目标。
【竞赛报名/项目咨询+微信：mollywei007】
