学位论文简介

在过去的几十年里，互联网流媒体经历了爆炸性的增长，给带宽和网络基础设施带来了巨大压力。然而，可用带宽的波动会严重影响数据传输质量，从而损害数据重构精度，并且这种退化将不可避免的进一步影响后续的下游任务。此外，被广泛使用的基于云存储的数据管理模式，在面临不可抗力所导致的数据传输中断时也表现出了明显的无力感。因此，为了减轻复杂传输场景所带来的数据重构精度的影响，本文将数据维度的角度展开，针对多种真实世界中出现的复杂传输场景进行分析，并提出相应的数据重构优化方案。

(1) 针对不可抗力所导致的一维传感数据传输中断场景，为优化现有的分布式存储框架对压缩感知测量利用效率不足的问题，提出了一种基于波动性的多样性感知测量分配策略（VBDA），它实现了较低的计算复杂度，非视觉数据的自适应采样率分配和高质量的数据重构。

(2) 针对需要考虑后续视觉增强任务且带宽受限的数据传输场景，为减轻二维图像数据重构结果与视觉增强任务的不适配性，提出了一种新颖的Retinex分解辅助重采样方法（RDAR）。从视觉增强任务的角度重新思考了不完美数据重构的影响，并利用传统下采样结果辅助数据重构过程，从而获得更有利于视觉增强任务的重构结果。

(3) 同样针对需要考虑后续视觉增强任务且带宽受限的数据传输场景，考虑到RDAR所使用的联合训练策略的固有限制，即需要提前访问后续视觉任务模型参数。为寻求一种更加通用且直接的方法来减轻重构数据与后续增强任务之间的不适配性，我们提出了一种基于Retinex的协同下采样辅助策略（RCDA），并进行了充分的理论证明以表明RCDA可以生成更适用于后续视觉任务的重构结果。广泛的定性和定量评估表明，与现有相关工作相比，我们提出的方法在保持可比重构质量的同时，实现了卓越的增强性能。

(4) 针对带宽受限且低延迟是关键要求的三维视频数据传输丢包场景，为强化现有真实世界视频超分辨工作的鲁棒性，首先分析了丢包类型并系统性地解耦了由此导致的退化程度，并针对性的提出了ReinVSR策略,在不产生额外网络开销的前提下，ReinVSR显著增强了基于视频超分辨网络的神经视频传输框架应对丢包退化的能力，从而得到更高的数据重构精度。

主要学术成果

[1] Peng J, Zhou S, Li C, et al. Mitigating Delivery Artifacts in Real-World Video Super-Resolution[C]//Proceedings of the 33rd ACM International Conference on Multimedia. 2025: 3114-3123. （CCF A类会议，第一作者）

[2] Peng J, Zhou S, Ouyang L, et al. Volatility-based diversity awareness for distributed data storage of Mobile Crowd Sensing[J]. Computer Networks, 2024, 248: 110466. （CCF B类期刊，第一作者）

[3] Peng J, Zhou S, Liu X. Volatility-based measurements allocation for distributed data storage in mobile crowd sensing[J]. IEEE Systems Journal, 2023, 17(4): 6665-6675. （中科院三区，第一作者）

[4] Liu X, Zhou S, Peng J, et al. Stopping criteria for distributed data storage in compressive CrowdSensing systems[J]. IEEE Internet of Things Journal, 2023, 11(7): 11767-11778. （中科院一区Top，第三作者）

[5] Liu X, Zhou S, Peng J, et al. Adaptive sampling allocation for distributed data storage in compressive CrowdSensing[J]. IEEE Internet of Things Journal, 2023, 11(7): 12022-12032. （中科院一区Top，第三作者）

[6] Peng J, Zhou S, Li C, et al. Rethinking the Impact of Image Rescaling on Low-Light Image Enhancement. Conference on Computer Vision and Pattern Recognition. 2026.（CCF A类会议，第一作者，Under review）

[7] Peng J, Zhou S, et al. RCDA: A General Downscaled Representation Optimization Strategy for Bridging Image Rescaling and Low-Light Image Enhancement. Forty-third International Conference on Machine Learning. 2026.（CCF A类会议，第一作者,，Under review）

[8] Peng J, Zhou S, Li C, et al. Toward Robust Real-World Video Super-Resolution: Mitigating Delivery Artifacts in Practical Transmission Scenarios. IEEE Transactions on Circuits and Systems for Video Technology. (中科院一区Top，第一作者，In peer review)

[9] Li J, Li Y, Peng J, et al. ColorMam: Color-aware State Space Model for Image Color Style Transfer.Conference on Computer Vision and Pattern Recognition. 2026.（CCF A类会议，第三作者, Under review）