有机缘参加了某大学的青年教师论坛，各个学科的骨干上台讲解自己做的课题研究，台下请了很多老专家来点评和指点。一是工作原因，因为topic还不错想看看能否有所启发，二是比较好奇，当前象牙塔里的学术研究到底是什么状态，和当年比是不是不一样。
第一个上台，基于深度学习的CT图像重建。参加之前还跟梁老师说，你看，你当年做的CT图像重建，现在都有深度学习方法来做了，梁老师是啧啧称赞。现场一听，才知道所谓重建，是在图像超分领域。讲得貌似很酷炫，但是200张训练集和100张测试集，对于DL来说真是杯水车薪，医学图像各个病理结构在训练时引入产生的干扰如何消除，如何根据医学图像的特点分析来设计DL网络，这几个问题站在台上的博士无法像准备的那样侃侃而谈。接下来，便是五花八门，要么上台讲了自己要做的一个多智能体协作规划的Framework却没有涉及该怎么做，要么上台噼里啪啦讲了瀑布后效的神经元处理和相应的光栅设计模拟却没有讲透自己要干啥，要么干脆上去一个自我简历秀和教研室各奖项展示，搞得各大教授忍不住抢话筒点评，表达同一个意思——牛归牛，请讲你具体做的事情！哎，都是一些骨干，博士、研究员，纷纷都到了海外深造，就这水准 ，是因为演讲技巧问题么？展示效果，还真没有企业里做得实在和有料，跟同行的一个小伙说，你Demo的时候讲的内容都比这个好而且有料有深度，看了这水准还想进象牙塔么？:-P
当然，还是有些点滴的启发和收获，
- 对于DL，需要分析输入图像的特点设计DL网络，而不是普适性的都可以做
- CT图像，采用低辐射当量会引来投影域噪声，减少采样量会让图像产生伪影，这些和手机低分辨率采样重建高分辨率有些相似之处。专家们的点评，都纷纷说到图像超分，属于很成熟的领域，倒也提升了一些信心。
- 学术界去噪的客观评估 ，也是看PSNR/RMSE/SSIM
- 自然场景中建筑场景，专业称为曼哈顿世界
- 神经元自适应的计算机制，可以用作多光源的AWB调整，也可以用作基于颜色的分割和识别，属于一条可以探索的路
- Relighting，应用到AR中，如何将模型放到真实场景中做到光照和阴影自然，这个属于一个大的研究课题。看来在2D图片中作Copy&Paste和Portrait Lighting，想要做到光照自然，都是小巫见大巫了。来源于浙大CAD实验室的一名教授讲得不错，他们跟沈阳的一家创业公司合作，应用到照相馆中，计算背景（如城堡图片）的光照模型，设计控制拍摄灯光源，以便将任何背景融合。他们还跟华为在合作准备做像iphone那样的基于深度图的relighting。
- 对于如何快速验证DL的模型，因为学校里数据集也是不够的，当前又有那么多DL模型，请教了在场的一位教授，给的答案也是——我们也很困惑这个问题，只有两个办法，1）看最新的paper，看他的证明；2）跟医院医生合作，但是医生的标注数据也很少
