张召，男，博士，合肥工业大学教授、博士生导师，CCF杰出会员/IEEE高级会员。2013年博士毕业于香港城市大学 (博士导师：Prof. Tommy W.S. Chow, IEEE Fellow)，2013年10月~2018年10月在苏州大学计算机科学与技术学院工作，于2018年11月加入合肥工业大学计算机与信息学院担任教授、博导。在攻读博士学位期间，于2012年2-5月在新加坡国立大学进行访问研究 (指导教授：颜水成，ACM/AAAI/IEEE/IAPR Fellow，新加坡国家工程院院士)，同年9-12月在中科院自动化所模式识别国家重点实验室进行访问研究 (指导教授：刘成林，IEEE/IAPR Fellow，国家重点实验室主任)。 主要从事机器学习、模式识别和计算机视觉领域的研究，围绕降质图像视觉计算中的 "图像复原与增强、模型压缩与部署、图像分类与理解" 等主题方向进行研究，在复杂环境下的视觉影像系统、视频监控和机器人视觉等领域具有广泛的应用前景。已发表学术论文100余篇，包括IEEE/ACM Transactions (如IEEE TIP/IEEE TKDE/IEEE TNNLS/IEEE TCYB/IEEE TSP/IEEE TCSVT/IEEE TMM/ACM TOMM/ACM TIST)、IJCV期刊或CCF-A类会议论文 (如CVPR/NeurIPS/ACM MM/AAAI/IJCAI) 一共58篇 (其中一作或通讯43篇)；Google Scholar总引用3900余次，H因子为39，引用者包括约50 位国内外院士或IEEE/ACM Fellow。已主持国家自然基金项目3项，主持安徽省杰青项目、江苏省“六大人才高峰”高层次人才项目、江苏省高校自然科学研究重大项目各1项；已获授权国家发明专利19项；获江苏省科学技术二等奖、江苏省计算机学会青年科技奖、ACM中国新星奖Honorable Mention（全国仅2人）各1项；获江苏省“青蓝工程”优秀青年骨干教师培养对象、江苏省优秀硕士学位论文指导教师（两次）等荣誉称号。 在学术服务方面，担任CCF多媒体技术专委会执行委员、CCF人工智能与模式识别专委会执行委员、CAAI机器学习专委会委员、CSIG青工委委员等；担任 IEEE TIP (CCF-A类) 、Pattern Recognition (CCF-B类) 和 Neural Networks (CCF-B类) 等SCI期刊的编委(AE)，以及 Journal of Visual Communication and Image Representation 和 Image and Vision Computing 等SCI期刊的执行客座编委(MGE)；多次担任 ACM MM、AAAI、IJCAI、SDM 和 BMVC 等权威国际会议的高级程序委员(SPC)或领域主席(AC)；现/曾担任国际学术会议 CCVPR 2022、NCAA 2020、DSDE 2023~2021 的 Program Co-Chair，担任 ASIP 2023、NCAA 2022~2021 的 General Co-Chair，以及 ADMA 2020 的 Workshop Chair；长期受邀担任IEEE/ACM汇刊、ACM Computing Surveys和IJCV等权威期刊审稿人。 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 主要研究方向：机器学习、模式识别、计算机视觉和图像处理。对以下主题特别感兴趣： 当前的研究主题： (1) 基于深度学习的底层视觉处理（Deep Learning based Low-Level Vision Processing）：研究降质图像/视频恢复（例如图像去噪、去雨、去模糊和去雾等）、低光图像增强和高级任务驱动的底层视觉处理新架构。 (2) 深度神经网络模型压缩与部署 （Deep Model Compression and Deployment of DNNs）：研究可用于高级/低级视觉任务的无数据模型压缩方法或轻量级架构，以及在低功耗和计算资源受限的移动设备上的部署（例如复杂天气情况下的机器人视觉与视觉影像系统等）； (3) 基于深度学习的图像/视频生成（Deep Learning for Image/Video Genegation）：研究文本到图像、文本到视频、图像到视频的智能生成新框架与新模型。 以前的研究主题（仍然在继续）： (4) 高维数据的低维建模 (Low-Dimensional Modeling of High-Dimensional Data)：稀疏字典学习、低秩表示与编码、概念分解、流形学习，及其深度/多层扩展，用于特征学习和提取。 (5) 半监督分类器建模 (Semi-Supervised Classifier Modeling)：研究基于图的新型标签传播算法，以及深度半监督学习方法，应用于图像标注和分类。