香港科技大学（广州）博士导师（Yingcong CHEN教授）

招生要求

- 学历背景：计算机科学、电子工程、数学等相关领域硕士学位持有者可申请；本科直博通道向学术潜力突出者开放，申请者需本科成绩稳居前10%，且拥有可证明的科研成果。

- 学术能力：2-3封领域内资深学者的推荐信必不可少；Research Proposal须紧密围绕Computer Vision或Machine Learning方向撰写，以此展现对Yingcong CHEN教授研究的深度把握。

- 语言成绩：非英语授课背景者须提交语言证明，托福不低于80分，雅思总分不低于6.5分且单项均达5.5分以上。

- 科研经历：具备以下条件者将获优先考虑：曾发表LNCS、CVPR等收录的相关论文；熟练运用PyTorch/TensorFlow框架，有高斯 splatting、扩散模型实践经验。

研究方向

- 基础算法研究：深耕Computer Vision与Machine Learning领域，专注模型泛化性与效率提升。2025年提出的StreamGS算法，便针对性解决了非姿态约束图像流的在线高斯 splatting重建难题。

- 无接触健康监测：以计算机视觉为核心开发远程生理测量技术，2024年于LNCS发表的Bi-TTA是其代表成果，该双向测试时适配器有效提高了生理参数测量的准确性。

- 生成式AI与场景解析：在生成领域，LucidDreamer通过区间分数匹配实现高保真文本到3D生成；在理解领域，MTMamba借助Mamba解码器强化多任务密集场景的分析能力。

- 情感计算与智能监控：一方面探索AI对人类心理的识别，如开展GPT-4V在视觉情感计算中的应用评估；另一方面研发工业监控技术，构建的增量式框架可实现微小缺陷检测。

有想法

- 想法1：动态人体三维重建与生理监测一体化系统。将StreamGS的在线高斯 splatting重建技术与Bi-TTA生理测量算法融合，破解运动状态下生理信号捕捉不准的难题。具体路径为：通过非姿态约束图像流重建人体动态三维模型，从中提取皮肤微运动信号，再利用双向适配器过滤运动噪声，最终实现居家养老场景的实时健康监护。

- 想法2：工业缺陷检测的生成式增量学习方案。结合增量统一缺陷检测框架与文本锚定分数合成技术，打造自适应检测系统。当出现新型工业缺陷时，仅需输入少量样本即可微调扩散模型，生成丰富缺陷样本以更新检测模型，大幅降低传统方法对大规模标注数据的依赖，适用于电子元件检测场景。

- 想法3：跨模态情感-生理关联分析模型。基于GPT-4V的视觉情感识别成果，融入远程生理测量数据，构建“视觉特征-生理时序-情感标签”的三元关联模型。采用Mamba解码器同步处理图像情感特征与心率等生理信号，挖掘二者内在关联，为抑郁症等疾病的无创早期筛查提供技术支撑，弥补单一模态识别的局限性。