具备扎实的AI理论基础与丰富的科研项目经历 ，专注于计算机视觉前沿问题研究 ，对模型轻量化、动态推理及跨模态学习等方向有浓厚兴趣与实践。善于从文献与开源社区汲取灵感 ，并通过严谨的实
验设计和工程实现进行验证与创新。
编程与算法基础
· 熟练掌握 Python 及其在AI领域的核心工具栈（NumPy, Pandas, Matplotlib，OpenCV等） ，具备扎实的算法与数据结构基础。
. 熟悉 PyTorch 与 TensorFlow/Keras 框架 ，能够独立完成深度学习模型的搭建、训练、调试与优化全流程。
. 模型理解与实践经验
· 计算机视觉：深入理解 CNN 、Vision Transformer 、YOLO 等模型原理 ，在目标检测、图像分类、图像去雨等任务上拥有成功的项目实践经验。
· 自然语言处理/序列建模：理解 RNN/CNN/LSTM 、Transformer 、Mamba等架构及其在序列数据分析中的应用。
. 时间序列分析：对相关预测任务有实践经验。
. AI工具链与工程能力
. 熟悉 Linux 开发环境 ，熟练使用 Git 进行版本控制。
. 熟练使用 Jupyter Notebook, VS Code 等开发工具进行算法研究、原型开发与实验。 . 技术视野与AI应用
. 前沿技术洞察：对人工智能领域的前沿技术与发展趋势保持高度关注和深刻兴趣 ，具备快速学习与应用新技术的能力。
. 现代AI工具应用：熟练运用 ChatGPT 、Gemini 、Grok、Qwen等 AI 协作工具辅助进行技术方案设计、代码优化及问题排查 ，有效提升研发效率。熟练使用关系型数据库如：MySQL、SQLServer和非关系型数据库MongoDB。熟练使用Docker容器进行项目部署与调试。
. 开源社区参与：经常访问 GitHub 、Stack Overflow 等技术论坛 ，积极学习优秀开源项目 ，跟踪社区最新动态。
. 复合背景与系统思维
. 具备独特的“AI+物联网/嵌入式”复合知识背景。不仅关注模型算法性能 ，更能从系统集成、边缘计算与硬件落地的角度思考问题 ，具有将 AI 模型部署到 Jetson Nano 等嵌入式平台的实际经验。
. 英语能力
. CET-4 ，具备流

基于动态低秩适配器的Transformer架构的图像去雨系统


项目主负责人


2024/09 - 2025/09

运用手段：创新性地将动态低秩压缩技术与Transformer架构结合 ，设计了可感知输入图像复杂度的秩控制器及两阶段训练策略。
解决问题：解决了传统去雨模型在复杂多变天气场景下计算资源消耗大、无法在精度与效率间自适应平衡的痛点。
获得结果：在Rain200L/H等数据集上 ，本模型的PSNR与SSIM指标相较于原模型均有显著提升 ，达到了行业SOTA水平。同时 ，通过动态计算优化 ，推理速度最高提升60%。
体现价值：为计算机视觉领域任务中的模型轻量化与边缘部署提供了一个新颖且有效的“动态资源分配”解决方案 ，相关技术已申请发明专利。


基于双重稀疏表示网络的单幅图像去雨模型算法研究


核心开发者


2025/09 - 至今

1. 算法创新与模型设计： 提出了双重稀疏表示网络。核心创新包括：
. 双重约束引导稀疏注意力模块： 设计了融合通道维度多比例Top-K稀疏与空间维度多尺度显著性约束的机制 ，实现了注意力计算资源向关键雨纹区域和特征的动态精准分配 ，取代了被动的计算节省策略。
. 多尺度门控前馈网络： 设计了并行多分支深度卷积与自适应门控融合结构 ，显著增强了对图像中多尺度雨纹与背景细节的联合建模与重建能力。
. 网络架构： 基于对称的U-Net编码器-解码器架构集成上述模块 ，构建了完整的DSRNet模型。
2. 工程实现与实验验证：
· 使用PyTorch框架完整实现了DSRNet模型 ，包括自定义注意力模块、前馈网络及训练流水线。
. 在多个标准合成与真实场景数据集上进行了系统训练与测试。
采用峰值信噪比与结构相似性作为核心评估指标 ，与包括Uformer 、SwinIR 、Restormer 、DRSformer在内的10余种主流方法进行了详尽的定量与定性对比。
. 设计了严格的消融实验 ，验证了所提两个核心模块各自的有效性及其协同作用。