爱丁堡大学工程学院的Michael E. Davies教授在官方主页明确标注“Accepting PhD Students”，并写明目前正寻找博士生参与机器成像、数据驱动计算感知与传感器信息融合等主题。方向适合信号处理、电子工程、应用数学、机器学习和机器人感知背景的申请者。
他的研究强调有限或没有真实标注时如何学习成像，以及在医学、自动系统和关键感知场景中如何避免不可解释的黑箱方案。申请材料需要同时展示数学建模、算法实现、实验评价和不确定性意识。
01、本期招募简介
工程学院主页明确写明Michael E. Davies目前接受博士生，并列出三个可开展的研究主题。申请者应先阅读主题说明，选择机器成像、可验证计算感知或传感器融合中的一个具体问题，通过官方邮箱联系导师，再按Engineering PhD项目提交正式申请。
本期只按博士机会整理，没有把研究助理写入标题。导师页面提到存在竞争性大学资助机会，但这不是对个人的资助保证。2027/28学年的具体申请与奖学金截止日期尚未在本期使用的工程页面中完整公布，准备27Fall的人应尽早完成两页研究计划、成绩单、英语证明和两封推荐信，并以后续项目页及资助页为准。
02、导师与课题组
Michael E. Davies是爱丁堡大学工程学院Jeffrey Collins信号与图像处理讲席教授，隶属成像、数据与通信研究所。大学研究门户还标注他接受博士生，并列出其在计算成像、压缩感知和机器学习系统理论与算法方面的长期工作。
公开资料显示，他获得2025年EURASIP Group Technical Award和2024年IET信号处理成就奖章，并曾领导大型信号处理研究合作。对申请者而言，这类平台意味着题目通常不仅追求单一数据集上的精度，还关注理论条件、传感机制、计算代价、鲁棒性和可验证性。
03、核心研究方向
第一，机器成像。目标是在标注稀缺甚至没有真实图像的条件下，从间接传感测量中恢复对象。研究会连接成像物理、逆问题、无监督或自监督学习，并在医学成像、雷达、声纳或机器人感知中验证。
第二，数据驱动计算感知。关注传感器硬件与算法共同设计，以及如何在关键场景中建立可解释、可验证的学习框架。方法可能包括模型驱动深度学习、优化展开、误差边界、鲁棒训练和不确定性量化。
第三，传感器与信息融合。研究异构传感器的选择、调度、定位、跟踪和资源管理，尤其是动态环境、恶劣天气、干扰或对抗条件下的可靠感知。概率图模型、贝叶斯方法、蒙特卡洛方法和稳健统计都可能成为核心工具。
04、哪些背景更适合
电子工程、信号处理或通信背景可直接连接传感模型、频域方法和系统约束，需要补足现代机器学习与可复现实验。
应用数学、统计或优化背景适合处理逆问题、稀疏表示和不确定性，但要证明能把理论落到真实测量和代码实现。
计算机视觉、机器学习或数据科学背景可以开发模型，需要补足成像物理、传感器噪声和黑箱方法的边界。
机器人、自动驾驶或自主系统背景可以提供多传感器场景，应突出定位、跟踪、恶劣条件和实时计算经验。
医学成像、遥感、雷达或声学背景也适合，只要能把领域问题抽象成可迁移的感知与推断框架。
共同能力包括Python或Matlab实现、严谨基线、消融实验、误差分析、版本管理和清楚的数学表达。只展示调用现成网络而没有说明测量模型与失败模式，匹配度会明显不足。
05、套磁信怎么写
邮件主题可写“Prospective PhD applicant – self-supervised machine imaging for robotic sensing”。开头说明学历、最强方法背景和27Fall计划，随后只选择导师主页中的一个主题深入连接。例如，针对机器成像，可以引用“有限或无真实标注”的核心难题；针对计算感知，可以聚焦可解释和可验证算法；针对传感器融合，可以聚焦动态、拥挤或恶劣环境中的不确定性。
中段提出一个可讨论的问题，并用最相关项目证明能力。写清测量数据来自哪里、噪声或缺失如何建模、使用了什么基线、本人完成了哪些推导与代码、结果在哪些条件下失效。若做过机器人项目，不要只列ROS和传感器名称，要写同步、标定、融合频率、场景数量和误差指标。
结尾请求导师判断题目是否适合其当前指导范围，并附两页研究计划、学术CV、成绩单摘要和代码或论文链接。不要在第一封邮件中把三个研究主题全部打包，也不要把“希望获得全额资助”写成唯一诉求。
06、简历怎么改
第一页应先出现研究兴趣、数学与编程能力、最匹配的两项研究经历。项目采用“问题—测量模型—本人方法—数据与基线—结果—限制”的结构。对算法项目，至少写出数据规模、评价指标、提升幅度和计算代价；对硬件项目，写明传感器、采样率、标定、同步和部署条件。
论文和预印本需标明真实状态；代码仓库应包含可运行说明、环境和复现实验。若做过课程大作业，可保留一项最相关且完成度高的，并明确它是course project。无关的网页开发、普通竞赛和重复课程列表可以压缩，把空间留给推导、实验设计与失败分析。
针对Davies教授的方向，建议把逆问题、压缩感知、概率建模、自监督学习、鲁棒性或传感器融合中的实际证据前置。导师需要快速看到你不仅会训练模型，也能理解观测如何产生、结论在哪些假设下成立。
07、研究计划选题
以下为基于公开研究方向提出的申请构思，不代表导师已设定题目或承诺指导。
选题一｜缺少真实标注时的机器人多模态自监督机器成像。核心问题是：在相机、深度、雷达或事件传感器存在噪声、遮挡和不同步时，能否利用观测一致性和运动约束学习成像或恢复模型，而不依赖大量完美真值。创新点在于把成像物理、跨模态一致性与不确定性校准结合，并评估模型在天气、照明和传感器失效条件下的迁移。可从公开机器人或自动驾驶数据集入手，构造可重复的退化过程，比较模型驱动、自监督和监督基线。第一阶段完成观测模型、数据管线、两个基线和校准评价。风险是公开数据的传感器配置不同，研究应明确可比较的共同任务，并避免把模拟退化等同于真实故障。
选题二｜面向低功耗自主平台的可验证计算感知与传感器调度。核心问题是：在算力、带宽和能耗受限时，系统何时应启动哪类传感器、以什么分辨率采样，并如何给出可审计的误差或风险界限。创新点是把硬件—算法共同设计、贝叶斯不确定性和资源调度放入统一框架，而不是只压缩一个神经网络。可先使用公开多传感器序列与可测量的计算成本，建立离线调度环境，比较固定策略、启发式策略和概率决策策略；随后在小型平台或仿真中验证。第一阶段交付应包括成本模型、风险指标、调度基线和极端条件测试。风险是硬件参数依赖平台，因此应先报告相对成本和敏感性分析，不假定可以获得未公开的国防或企业数据。
两题相比，选题一数据与软件起步更快，适合机器学习和机器人背景，但需要防止只做数据集竞赛；选题二更贴近可验证感知与系统设计，理论和现实价值更强，但需要更清晰的成本模型。申请者应选择能用现有公开数据完成首年验证的一题，并把未来硬件实验写成后续扩展。
