这位导师主页上有一行信息很容易被忽略：2019 年入职 NTU 的时候还是 Nanyang Assistant Professor，五年后直接拿到了 tenure 加 Provost's Chair。这个晋升速度在南洋理工不算常见，意味着学校对他未来五到十年的产出方向是有判断的。但对申请者来说，这也意味着现在申他的组，和三年前申他的组，门槛已经不是一回事了。
先说结论：这不是一个能广撒网的组
Bihan Wen（温必翰），南洋理工大学（Nanyang Technological University）电子电气工程学院和计算与数据科学学院长聘副教授，Provost's Chair in Artificial Intelligence for Computational Imaging，ROSE 研究中心主任，IEEE 高级会员。本科在 NTU 读的 EEE，硕博都在 UIUC 完成——2018 年博士毕业，2019 年就回 NTU 拿到 NAP 起步，现在已经 tenure 了。
他的核心方向是计算成像——这个词听起来宽泛，但看通讯作者论文的关键词就会发现，近两年集中在两件事上：一是用深度学习去解成像中的逆问题，二是在成像系统里做 AI 可信性。前者偏方法，在 CVPR、NeurIPS、ICLR 这些顶会上有持续发表；后者偏应用可靠性，是他最近两年新开的方向。
我之前有个学生背景跟这个方向比较匹配——EE 本科加一段计算机视觉的科研经历，套磁的时候第一封邮件就写了自己做过的一个图像重建小项目，结果确实拿到了回复。但后来聊下来发现，他对学生的要求不只是会调模型，还要能看懂信号处理那套东西。这个组不太适合纯 CS 背景、只做过高层视觉任务的人，你需要有一定的数学基础，至少能看懂傅里叶变换在成像里怎么用。
他的主页和论文之间有一道东西
主页上研究兴趣列了五六个方向——machine learning、computational imaging、computer vision、image processing、AI trustworthiness。但你去看他近三年通讯作者的论文，核心集中在两个问题上：第一，如何用数据驱动方法去解传统成像系统里的物理约束问题；第二，深度成像模型在对抗扰动和分布偏移下的鲁棒性。
如果你拿着一个纯 NLP 或者纯推荐系统的题目去套磁，大概率没有回音——不是因为他不回邮件，而是方向确实不搭。看 acknowledgment 里的 funding 信息，他手里应该有 NTU 的启动基金和新加坡 MOE 的项目在执行期，这意味着招生经费大概率是有的，但名额不会太多，估计一年一到两个 PhD。
说到学术服务，这个人在圈里的活跃度是比较高的——AAAI、ICIP、ICASSP 这些会的 Area Chair，IEEE VCIP 2026 和 ICARCV 2026 的程序委员会主席，IEEE T-CSVT 副主编。这类学术服务量级说明他在计算成像这个细分领域的位置是偏核心的，不是边缘参与。
近期代表性论文
Deep learning for computational imaging
多篇发表于 NeurIPS, CVPR, ICLR, AAAI 等顶会及 IEEE TPAMI 等顶刊
聚焦深度学习驱动的计算成像方法——这是他最核心的主线，proposal 里如果要写计算成像，必须先读这几篇，弄清楚他解的是什么问题、用的是什么框架。
Sparse and low-rank signal recovery
IEEE T-IP, T-SP 等期刊
稀疏信号恢复和低秩建模方面的基础性工作——这条线是他博士阶段的积累，现在更多作为方法论基础支撑新方向。如果你本科做过压缩感知或者稀疏优化，这是一个天然的对接点。
AI trustworthiness in imaging
近期新方向
关注成像系统中的 AI 可信性和鲁棒性——这是他近两年新开的方向，竞争相对少，如果你有对抗样本或鲁棒性方面的经验，proposal 可以往这里切。
Research Proposal 怎么缩
不要写"深度学习在计算成像中的应用"——这种题目太像口号。你需要缩到一个具体的成像场景。
推荐 Proposal 方向 1：低光照/低剂量条件下的深度成像重建
对象：医学 CT 或低光相机的退化图像。场景：低剂量 CT 重建或极低光照摄影。材料/数据：公开的 AAPM 低剂量 CT 数据集或 SID 低光数据集。方法：基于物理约束的深度展开网络（deep unrolling），结合成像系统的前向模型。可追问方向：如何在不增加计算量的前提下提升重建鲁棒性？
推荐 Proposal 方向 2：对抗鲁棒的计算成像系统
对象：深度学习驱动的成像管线（如 MRI 重建网络）。场景：对抗扰动或传感器噪声分布偏移下的成像稳定性。材料/数据：fastMRI 数据集 + 人工构造的对抗样本。方法：对抗训练与物理一致性约束的联合优化。可追问方向：物理先验能在多大程度上替代对抗训练提供鲁棒性？
我刚才说他近两年在做 AI trustworthiness——这个判断可能下得有点绝对。更准确地说，是他论文里开始频繁出现 robustness 和 reliability 这类关键词，但这到底是一条独立的研究线，还是在原有计算成像框架里加的一个考量维度，我也不完全确定。具体还得看你跟他聊的时候他怎么说。
哪些方向别写太重
第一，纯高层视觉任务——目标检测、图像分类、语义分割这些，跟他做的计算成像是两码事，你写了反而让他觉得你没读过他的论文。第二，纯 NLP 或者多模态大模型方向——虽然他挂了 AI 的标签，但他的 AI 是服务于成像系统的，不是通用 AI。第三，不要拿一个纯软件层面的题目去投——他的背景有很强的信号处理基础，proposal 里如果完全没有物理建模或者信号层面的考量，说服力会打折扣。
CV 里有一点要注意：如果你做过图像相关的项目，不要只写"实现了某某网络、达到了 SOTA"。他更可能想看到的是——你理解这个成像问题的物理背景是什么，你选这个方法是因为什么，数据从哪来、怎么处理的。邮件第一段也是一样，先写你做过哪个具体的成像或图像恢复问题，再写你读到他哪一类工作觉得有对接点，最后写你想把题目缩到哪个方向。
关于 Funding 的几个常见误解
学校奖学金（NTU Research Scholarship）：南洋理工大学 PhD 标准资助，学费全免，国际生月补贴 S$2,000 起，通过 Qualifying Examination 后可增至约 S$2,500。新加坡公民和永久居民补贴更高（S$2,200-2,700）。来源：NTU 研究生院官网（L1）。
校长奖学金（NPGS）：Nanyang President's Graduate Scholarship，月补贴约 S$3,200，另有年度学术会议津贴最高 S$4,000，竞争非常激烈，需要本科成绩极优秀。来源：NTU NPGS 页面（L1）。
导师项目经费：Bihan Wen 作为 Provost's Chair 和 ROSE 研究中心主任，手里应有 NTU 启动基金和新加坡教育部（MOE）项目资助。具体金额和执行期未在公开信息中找到明确数字，但从论文产出节奏和团队规模推断，招生经费大概率在执行期内（L2）。
额外机会：NTU 还有 SINGA 奖学金（A*STAR 联合资助，面向国际生）和各学院自有奖学金，申请时可以同时提交多个奖学金申请。具体查法：NTU Graduate College 官网 → Scholarships 页面。
如果你的背景是 EE 或者 CS 偏信号处理方向，有一定数学基础（线性代数、优化、概率至少有一门课成绩不错），同时做过图像或成像相关的科研项目，这个组是值得认真准备的。但如果你的经历主要在高层视觉或者 NLP，建议先想清楚再投——不是说不行，而是你需要在 proposal 里讲清楚为什么要从高层视觉转到底层成像，这个转换如果讲不通，套磁邮件大概率会被跳过。
