招生信息
今年我有两名专业硕士学生名额。欢迎数学基础优秀，并且对形式化验证、理论计算机科学、计算机视觉、可信 AI等问题感兴趣的同学与我联系。尤其欢迎具有较强数学训练、编程能力，或愿意深入研究基础理论问题的同学加入。
更多信息可以参考个人主页，主页网址为：
Windows PowerShell 输入：
[System.Text.Encoding]::UTF8.GetString([System.Convert]::FromBase64String('d3d3LnNwYWNlcGVuZ3Vpbi5jb20uY24='))
Linux / Mac Terminal 输入：
echo d3d3LnNwYWNlcGVuZ3Vpbi5jb20uY24= | base64 -d
个人介绍
本人目前就职于上海师范大学信息与机电工程学院计算机系，具体研究方向包括形式化验证、VASS 理论研究、计算机视觉、可信AI 等。总体而言，我关注如何从理论与应用两个层面理解复杂系统的行为：一方面，研究无限状态系统中的可达性、复杂性与可判定性问题；另一方面，探索计算机视觉与人工智能系统在复杂环境下的可靠性、可解释性与泛化能力。
目前我感兴趣并正在开展的研究方向主要包括如下几类。
无限状态系统可达性问题
无限状态系统是形式化验证与理论计算机科学中的重要研究对象，广泛用于刻画带有计数器、资源约束、通信行为或并发结构的计算模型。其中，向量加法系统（Vector Addition Systems with States, VASS）及其变体是研究无限状态系统可达性问题的经典模型。VASS可达性问题不仅具有深刻的理论意义，也与程序验证、并发系统分析、Petri 网理论等问题密切相关。
我目前关注的是低维 VASS 及其扩展模型中的可达性问题，尤其关心维度、测零能力与复杂度之间的精细关系。相关研究问题包括：
1. 3-VASS 可达性问题（PSPACE 下界，EXPSPACE 上界(draft，joint work with BASICS members)）
3-VASS 可达性问题处于低维 VASS 复杂性研究的核心问题，我于 2023 年提出了 Tower 的复杂性上界结果，这一结果在 2025 年被改进到2-EXPSPACE。目前我们有一个 EXPSPACE 上界的最新进展（draft），但精确的复杂度依旧是一个开放问题。
2. d-VASS 可达性问题（F(d−3)/2下界，Fd上界(ICALP 2024)）
对于一般固定维度的 VASS，可达性问题的复杂度随着维度增加而迅速上升。已有研究表明，该问题的下界与上界之间仍存在显著差距。目前已知的结果包括F(d−3)/2级别的下界与 Fd级别的上界。
我对这一方向的兴趣在于理解维度对 VASS可达性复杂度的本质影响：哪些复杂行为必须依赖高维才能实现？低维系统中的结论在何种程度上可以推广到高维系统？是否能够通过更细致的结构分解与自归约技术，进一步改进固定维VASS 可达性的上界？
3. 3-VASS0 可达性问题复杂性
3-VASS0 是在 3-VASS基础上加入一个测零能力后的扩展模型。测零显著增强了系统的表达能力，使得模型在某些方面接近更强的计算系统。虽然其可达性的可判定性已经得到解决，但该模型与普通3-VASS 之间的精确差异仍然值得深入研究。
我目前关心的问题包括：测零究竟在哪些结构上带来了额外表达能力？3-VASS0 的可达性问题复杂度和 3-VASS的区别究竟在哪？进一步，我希望探索单个测零能力的计数器对模型能力的变化影响。
计算机视觉
在计算机视觉方向，我主要关注图像恢复任务，尤其是复杂天气条件下的图像退化建模与恢复问题。图像恢复不仅是底层视觉中的基础任务，也会直接影响后续目标检测、识别、分割与多模态感知系统的性能。
此前的一个工作聚焦于复杂天气条件下的图像恢复任务，提出了一个具备物理与统计一致性的统一建模框架，并设计了多成分分解网络MCD-Net，用于实现多种退化成分的显式解耦与联合恢复。该方法希望为复杂天气图像恢复提供更具物理解释性与泛化能力的解决方案，并为后续多任务视觉感知系统提供高质量的图像前处理支持。
目前我主要关注如下问题：
1. 更复杂天气场景下的去雨任务
传统去雨任务通常关注白天、光照较充足或退化类型相对单一的场景。然而，在夜间、强反光、低照度、雨雾混合、动态光源干扰等复杂环境中，图像退化往往呈现出更加复杂的物理与统计特征。例如，夜间雨图像中可能同时存在雨滴、光晕、噪声、过曝与低照度细节缺失等问题。
我希望研究更贴近真实应用场景的去雨模型，特别关注夜间去雨、多退化耦合建模以及复杂天气条件下图像恢复算法的鲁棒性与泛化能力。
2. 预泛化的模型训练
当前许多图像恢复模型在特定数据集上表现良好，但面对未知退化类型、未知天气组合或真实世界分布偏移时，性能往往明显下降。因此，如何训练具有更强“预泛化”能力的图像恢复模型，是一个值得研究的问题。
这里的核心问题包括：如何利用合成数据、真实数据与物理先验之间的互补信息？如何使模型不仅拟合已有数据集中的退化分布，也能在未见过的复杂场景中保持稳定恢复能力？这一方向与域泛化、基础视觉模型、物理先验建模和自监督学习等问题密切相关。
可信 AI
可信 AI 是我正在探索的研究方向。我关心的问题主要包括人工智能系统的可靠性、可解释性，以及 AI如何改变科学研究的组织方式与问题求解范式。随着大模型和多模态模型逐渐进入科研、教育和工业场景，仅仅追求模型性能已经不再充分。我们还需要理解模型为什么有效、何时失效，以及如何在高可靠性需求的任务中安全地使用AI。
目前我主要关注如下两类问题：
1. AI 的可解释性
AI可解释性关注的是如何理解模型的决策依据、内部表示与失效原因。在视觉任务中，这可能体现为模型究竟依赖了哪些图像区域、纹理模式或语义信息；在大模型任务中，则可能体现为模型如何组织推理步骤、如何调用外部知识，以及如何产生错误结论。
我希望从理论与应用两个层面研究可解释AI：一方面，探索模型内部表示、注意力结构与输出行为之间的关系；另一方面，结合具体任务设计可解释、可诊断、可干预的 AI系统，使模型不仅能够给出结果，也能够为结果提供可理解的依据。
2. AI 协助研究的新范式
大模型的发展正在改变科研工作的组织方式。AI不仅可以用于文献整理、代码生成和实验辅助，也可能参与更深层次的研究过程，例如提出猜想、搜索反例、辅助证明、形式化验证和实验设计。
我尤其关注 AI 协助理论计算机科学研究的可能性。例如，在 VASS、形式化验证或复杂性理论相关问题中，AI是否能够帮助研究者发现新的结构分解方式或与形式化工具结合完成更可靠的数学论证？这一方向希望探索“人类研究者 + AI 工具 +形式化验证”相结合的新型研究范式。