贾西西，西安电子科技大学教授，博士生导师，澳门青年学者。2012年获得西安电子科技大学学士学位，2018年获得西安电子科技大学应用数学博士学位，澳门科技大学博士后。

主要研究方向

1. 图像处理的深度学习方法：图像增强(HDR tone mapping, 低光图像增强)，图像复原(图像超分辨，图像去模糊)；

2. 人工智能的最优化理论与应用：大模型低秩微调理论与算法，深度学习非凸优化过程的表示学习理论与NTK理论；

3. 生成式人工智能理论与应用：基于Score Matching和Flow Matching的能量模型理论与算法。

研究生招生情况：欢迎对人工智能数学基础理论与算法创新研究感兴趣的硕博学子，共同探索数据科学与计算数学的深层奥秘。目前组内显卡计算资源充足。每年有博士招生指标1名，硕士生招生指标2名。

境外研究访学经历

1. 2016-2017 香港理工大学计算机系张磊教授课题组 助理研究员(Assistant Researcher)；

2. 2018-2019 香港理工大学计算机系张磊教授课题组 副研究员(Associate Researcher)；

3. 2023-2024 香港理工大学应用数学系孙德锋教授课题组 研究员(Research Fellow)。

科研项目

1. 国家自然科学基金面上项目(2024.1-2027.12)，主持；

2. 西安电子科技大学学科交叉拓展计划项目(2025.1-2026.12)，主持；

3. 国家自然科学基金青年项目(2020.1-2022.12)，主持，结题；

4. 国家博士后澳门青年学者项目(2021.1-2023.1)，主持，结题；

5. 国家博士后基金项目(2019.9-2021.9)，主持，结题；

6. 主持中央高校基本科研业务费多项。

学术成果：在IEEE Transactions on Image Processing, IEEE Transactions on Neural Network and Learning Systems, Information Sciences等期刊以及CVPR, NeurIPS, ICCV, ICLR, ICIP等会议发表学术论文十余篇。

奖励荣誉

1. 入选2021年“澳门青年学者计划”；

2. 入选2023年“陕西省高校优秀青年人才支持计划”；

3. 获得2024年陕西高校优秀科研成果二等奖；

4. 获得2025年陕西省工业与应用数学学会青年科技奖提名；

5. 获得2022年陕西省数学会优秀论文一等奖。

学术服务

1. 中国运筹学会会员；

2. 中国工业与应用数学学会会员；

3. 顶会NeurIPS, ICCV, ICML, ICLR顶刊TPAMI, TIP, SIAM OPTIMIZATION等审稿人。

google scholar: http://scholar.google.com.hk/citations?hl=zh-CN&user=K4hTFFwAAAAJ

代表性专著：《图像处理的多尺度分析方法》科学出版社，冯象初，王卫卫，贾西西，2024.

书籍介绍链接：http://mp.weixin.qq.com/s/CZyT2CS9uWIz1ZMdt3PIvw?poc_token=HGVxD2ejwMvZXLd7c7_XFEnTbKr60rinEUEYg1N8

代表性学术论文：

1. 会议论文

[1] Sun, X., Wang, R., Wang, Q., Wu, Y., Jia, X., & Meng, D. (2025). Semi-Supervised Regression with Heteroscedastic Pseudo-Labels. Advances in Neural Information Processing Systems, 38. (NeurIPS, CCF A). 

[2]  Jia, X., Feng, F., Meng, D., & Sun, D. (2024). Global Q-linear Gauss-Newton method for Overparameterized Non-convex Matrix Sensing. Advances in Neural Information Processing Systems, 37. (NeurIPS, CCF A) 

[3] Jia, X., Wang, H., Peng, J., Feng, X., & Meng, D. (2023). Preconditioning Matters: Fast Global Convergence of Non-convex Matrix Factorization via Scaled Gradient Descent. Advances in Neural Information Processing Systems, 36. (NeurIPS, CCF A) 

[4] Jia, X., Liu, S., Feng, X., & Zhang, L. (2019). Focnet: A fractional optimal control network for image denoising. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 6054-6063). (CVPR, CCF A) 

[5] Wang, Q., Wang, R., Wu, Y., Jia, X., & Meng, D. (2023). Cba: Improving online continual learning via continual bias adaptor. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 19082-19092). (ICCV, CCF A) 

[6] Wang, R., Jia, X., Wang, Q., Wu, Y., & Meng, D. (2022, September). Imbalanced Semi-supervised Learning with Bias Adaptive Classifier. In The Eleventh International Conference on Learning Representations. (ICLR, 人工智能顶级会议) 

[7] Jia, X., Feng, X., & Wang, W. (2016, September). Adaptive regularizer learning for low rank approximation with application to image denoising. In 2016 IEEE International Conference on Image Processing (ICIP) (pp. 3096-3100). IEEE. (ICIP, CCF C)

2. 期刊论文

[1] Jia, X., Feng, X., Yong, H., & Meng, D. (2022). Weight decay with tailored Adam on scale-invariant weights for better generalization. IEEE Transactions on Neural Networks and Learning Systems.

[2] Jia, X., Feng, X., Wang, W., & Zhang, L. (2020). Generalized unitarily invariant gauge regularization for fast low-rank matrix recovery. IEEE Transactions on Neural Networks and Learning Systems, 32(4), 1627-1641.

[3] Kong, S., Wang, W., Feng, X., & Jia, X. (2021). Deep red unfolding network for image restoration. IEEE Transactions on Image Processing, 31, 852-867.

[4] Zhu, F., Liang, Z., Jia, X., Zhang, L., & Yu, Y. (2019). A benchmark for edge-preserving image smoothing. IEEE Transactions on Image Processing, 28(7), 3556-3570.

[5] Jia, X., Feng, X., & Liu, S. (2021). Dual non-autonomous deep convolutional neural network for image denoising. Information Sciences, 572, 263-276.

[6] Jia, X., Feng, X., Wang, W., Huang, H., & Xu, C. (2019). Online Schatten quasi-norm minimization for robust principal component analysis. Information Sciences, 476, 83-94.

[7] Jia, X., Meng, D., Zhang, X., & Feng, X. (2022). PDNet: Progressive denoising network via stochastic supervision on reaction-diffusion–advection equation. Information Sciences, 610, 345-358.