学术报告 | 北京师范大学段玉萍教授：Parametric Neural Operator for Non-Line-of-Sight Imaging

2026年3月18日（星期三）上午9:45-11:00，GCL实验室学术报告活动在东区数学科学学院312教室举行。北京师范大学数学科学学院段玉萍教授受邀作题为“Parametric Neural Operator for Non-Line-of-Sight Imaging”的报告。本次报告由实验室主任刘利刚教授主持。

段玉萍教授从非视距成像（NLOS）这一前沿计算摄像学技术出发，系统地介绍了如何利用物理启发的Neural Operator解决极低信噪比环境下的三维场景重建难题。

报告首先回顾了Fourier Neural Operator（FNO）。作为学习函数空间映射的有力工具，FNO在处理偏微分方程（PDE）方面表现出色，但在处理包含丰富细节的高频信号时仍面临挑战。

为了使Neural Operator能够像传统迭代求解方程组一样保持对高频信号的学习能力，段教授详细介绍了其团队提出的 SINO (Starter-Iteration Neural Operator)。该模型通过学习预测值的初始值（Starter）与迭代过程（Iteration），有效地模拟了数值优化的精细化过程，显著提升了算子在复杂映射任务中的收敛速度与精度。

随后，段教授展示了Neural Operator在多个极具挑战性的科学计算场景中的广泛应用。在天气预测领域，该算子能够通过学习大气动力学演化实现高效的时空序列预报；在生物超分辨率显微成像中，该方法在 BioSR 等数据集上成功从衍射受限的图像中重建出精细的生物结构。针对信号衰减严重、噪声极大的非视域成像（NLOS）场景，段教授重点介绍了Noise-Adaptive Neural Operator（NANO），通过在模型中集成光传输先验，构建了从Spatial-temporal Data到 3D 几何表示的非线性映射，在强力抑制测量噪声的同时，确保了重建结果的物理一致性。

报告精准地切中了Neural Operator在处理复杂物理反问题时的核心瓶颈，为在场师生提供了全新的研究视角。

在提问环节，大家积极参与，展开了热烈的学术碰撞。讨论内容涵盖了 UNet、CNN 等经典架构的技术细节，以及Neural Operator与当前热门的 3D高斯喷溅（3DGS）技术结合的可能性。此外，师生们还就网络架构中如何显式表达方程边界条件、预测时间与模型稳定性之间的关系等深层问题进行了探讨。

本次报告不仅深入解析了物理启发学习的理论深度，更通过丰富的实验结果展示了其广阔的应用前景，极大地拓宽了大家在图形学、视觉感知与数学交叉领域的思考维度。

讲者简介

段玉萍，2012年在新加坡南洋理工大学取得计算数学博士学位，2012年-2015年在新加坡科技研究资讯通信研究院担任研究科学家。2016年任天津大学应用数学中心教授，博士生导师，2023年加入北京师范大学数学科学学院。主要研究方向包括变分图像处理方法和模型驱动的深度学习方法，已在IEEE TPAMI、TIP、TMI、SIIMS、IP、PRA等期刊和CVPR、AAAI等会议发表论文70余篇，已授权国际/国内专利5项。