这学期本科课上《数字图像处理》，人数远少于预期，只有6个学生，感觉挺郁闷的，也不知道上学期哪做错了。好在我的研究生课《高级机器学习》70多人，多少平衡了点。另外，今年的课只线下上了三节，就全程线上了。这也让我平衡了点，因为几个人、几十人，在线上上课的感觉，我觉得区别不大。

不过既然是上课，就得认真上，与人多人少无关。一如既往，我在本科课上穿插了很多图像处理相关的、新的理念方法，也会给大家讲点返璞归真、大道至简的案例。比如上到第五章图像还原时，我会提下计算机视觉顶级会议2009年拿到最佳论文的那篇，去雾模型，因为它也是通过建模方式来还原去雾前的图像，属于图像还原范畴。

虽然是最佳论文，但看它的思路，其实如果认真听过图像处理课并不难理解。它的两个关键步，一是局部找颜色通道的最小值，一是再从局部图像块上找最小值。两个合并起来，称为黑通道先验。为什么要在颜色通道找最小值呢？如果学过彩色图像处理这一章，就知道，饱和度的概念，和这个是一致的。饱和度越高，颜色越鲜明，它渗杂雾的可能性就越小，它被阴影遮住的可能性也越小。所以，认真学好图像处理，你会更好地理解作者提出这一去雾模型的动机。

图1: 黑通道先验[1]

但是光有这个概念还不行，细节决定成败。只做了这一步的结果，并不能帮助模型获得像素级的处理结果。所以，作者又增加了一个matting（注：最近从贾佳亚的“忆孙剑”一文得知，孙剑03年就已经开始研究Matting技术，并在Siggraph上与贾佳亚合作发表了相关论文）。这是来自图形学领域的概念，在当时也是广受关注的，因为它能帮助PS在剪人脸时把头发丝都不差毫厘地从照片中分离出来。这一技巧也适用于去雾模型。将黑通道先验与去雾模型结合后，便有了让人眼前一亮的去雾结果。拿到当年CVPR的最佳论文，也理所当然了。

图2: Matting思想[2]

图3: 去雾效果[3]

在讲图像压缩一章时，我会跟大家分析如何能够把编码做得更短，压缩程度更大。一般来说，信息越集中，越有利压缩。所以，在不考虑图像像素间关系时，信道上又无误差传输时，接近香农第一采样定律的块随机变量编码方式是最优的。但图像像素间往往是相关的，此时如果通过相减方式来获得残差，则可以把编码长度进一步压缩。这一点，可以通过像素的分布和像素残差分布，直观看出来，后者的分布更为集中。说到这里，我又会跳到CVPR16的最佳论文，残差神经网络。我跟同学们说，抛开层次的深度不说，想想，为什么要用残差来进行训练呢？不就是因为它的分布更为集中，在模型寻优中更容易找到最优解吗？那为什么要用跳连接呢？这是为了不损失掉原有的信息。可是直觉归直觉，要真正做好，还是细节决定的。

图4: 残差网的局部模块[2]

图5: 图像与图像预测误差的分布和熵值大小（引自图像处理课件）

讲完这些，我跟同学们说了更有意思的事，就是两篇论文的作者。第一篇，何凯明、汤晓鸥、孙剑，实际上也是人工智能界少有的三位著名学者。何凯明是2003年的广东高考状元。汤晓鸥和孙剑都曾是微软亚洲研究院的同事，后来汤于2014年创立了商汤科技，孙则于2016年加入旷视科技。在国内人工智能企业里，形成了所谓“南商汤、北旷视”的局面，颇像我当年看过的香港电视剧《再向虎山行》里的口头禅“南沧海、北铁山、一岳擎天绝世间”。而第二篇论文的作者，则仍然以何凯明和孙剑为主。而且，这篇文章提出的残差网，在近十年来，一直为大多数深度学习研究者当成骨干网在使用着，可见其性能是多么让人信服。两位作者的名字，也一并为大家记住了。提到何凯明、提到孙剑，大家都能说出他们的贡献是什么。

实际上，对个人来说，这是科研的最高境界。

我以前说科研，一般喜欢说王国维的三重境界：一境，“昨夜西风凋碧树。独上高楼，望尽天涯路”；二境，“衣带渐宽终不悔，为伊消得人憔悴”；三境，“众里寻他千百度，蓦然回首，蓦然回首，那人却在灯火阑珊处”。

这三境，都是在科研探索道路上走上成功需要的。

但对个人来说，我认为让大家记住名字更重要，尤其是在破五唯的时代，即需要破除“唯论文、唯帽子、唯职称、唯学历、唯奖项”的时代。

确实，论文本质上是用来交流学术进展的，对学生来说，也是验证自己科研能力的佐证，是读研期间必不可少的环节。但也不应该沉迷于其中，为了论文的数量而做低质量的成果叠加和重复性的微小变动。

帽子应该只作为个人科研能力达到一定程度后的锦上添花，而不应让其变成人生追求、科研院校追求的终极目标，否则有可能会造成学术圈的不良竞争、导致科研能力的整体下滑。其它“唯”类似。

唯有名字，是人出生就有了，一般也不会轻易改。一旦因为科研成果卓越，而被人记住名字了，这是一辈子的殊荣，不会因帽子多少而被忘记，也不会被人只记得帽子却忘了名字。

但要做到这一点，却又比论文、帽子要难，因为只有有非常有代表性的成果出现时，才可能让人记住名字。但也唯有这样，也许才能真正推动我国的科研水平整体向前更快的发展。

所以，做科研，当如孙剑一样，能因为突出的科研成果而让人记住名字。但我也强烈建议，在身体健康方面，一定要注意平衡，细水长流。不要像孙剑一样，提前消耗掉自己宝贵的生命，让我国痛失了一位人工智能界的杰出人才。

张军平

2022年6月26日

参考文献：

1. Kaiming He, Jian Sun, Xiaoou Tang. Single Image Haze Removal Using Dark Channel Prior. CVPR 09, 最佳论文

2. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. CVPR 16, 最佳论文

附挽联一首：

上联：ResNet网，faster-RCNN网， shuffle网，安息在网

下联：创旷视，领CV视，改AI视，英名存视

横批：视界流芳
           ---中国自动化学会混合智能专委会副主任张军平

图6：2017年混合智能专委会成立大会合影留念（主任：薛建儒（前排左三）、副主任：孙长银（前排左二）、孙剑（前排右三）、张军平（前排右四）、陈德旺（后排左一）、李灵犀（前排右一）、秘书长：曲延云（后排中间）；副秘书长：李策（后排左二）、王晓（后排右二））