在人工智能浪潮席卷全球的时代,总有一群年轻人以热血与智慧叩击着科技的大门。新加坡国立大学 的学子丹泽,便是这样一位在科研道路上执着前行的追光者。从珞珈山下的电子信息工程学子,到中新科技合作平台上的 AI 研究者,他的成长轨迹勾勒出当代青年学者在跨文化科研生态中的突破之路。
18 岁踏入武汉大学校门时,丹泽眼中的电子信息世界充满了公式与定理的严谨之美。然而当深度学习算法开始重构各行业生态时,他敏锐地意识到:"在科技快速变革的如今,只有掌握更多的信息与技术,把理论与现实应用深度融合才能更好地拥抱 AI 时代。" 这种认知促使他在大三那年做出关键选择 —— 加入新国大项目,这个连接中国高校本科教育、研究院科研实训与新加坡国立大学硕士培养的创新项目,为他打开了通往国际科研舞台的大门。
研究院的学习模式成为他科研思维重塑的关键转折点。"更小的学生基数,更定制化的教学规划" 让课堂不再局限于知识灌输:在智能传感实验室调试设备时,他学会了用示波器解读信号背后的物理意义;在与新国大教授的组会中,他理解了从文献调研到课题立项的完整逻辑链条。这种 "理论 - 实践 - 验证" 的闭环学习,使他在接触 AI 生成内容(AIGC)领域时,能够迅速将课堂所学的神经网络理论转化为图像生成模型的搭建实践。
丹泽的毕业设计课题 "LayerTracer: Cognitive-Aligned Layered SVG Synthesis via Diffusion Transformer",看似复杂的术语背后,是试图解决矢量图形设计智能化的痛点。"你可以将 LayerTracer 理解为一个智能设计助手",他用通俗的比喻解释这个 CCF-A 类会议 SIGGRAPH 投稿项目 —— 该系统能根据文本描述或图像输入,自动生成分层的 SVG 矢量图形,这对简化 UI 设计流程具有重要价值。
科研之路从无坦途。去年 10 月项目启动时,团队便遭遇 "数据集爆炸" 危机:训练所需的千万级矢量图形数据让实验室服务器频频崩溃。"记得当时连续三天调试代码,最后发现是内存分配策略的问题",丹泽回忆起新国大导师紧急协调新加坡本部计算资源的场景,这种跨国界的科研支持让他深刻体会到平台的资源优势。更具挑战性的是数据处理阶段 —— 当面对数十万张图标图像的分层标注任务时,他创新性地开发了半自动化标注工具,将原本需要 3 个月的工作量压缩至 20 天,这种解决实际问题的能力正是研究院 "做中学" 模式的直接成果。
四个月的攻坚中,他经历了从算法原理推导到模型架构设计的全流程锤炼。在 Diffusion Transformer 模型训练时,为优化生成图像的语义一致性,他尝试了 12 种注意力机制变体,最终通过引入 "认知对齐损失函数",使模型生成的 SVG 图形在设计师偏好测试中得分提升 37%。这种对细节的 "死磕" 精神,让他在 SIGGRAPH 投稿中收获了 "具有工业应用潜力" 的评价。
接下来,丹泽同学将会继续攻读新国立博士学位,继续在科研领域追逐梦想。