第一次做图像去噪，处理完的图比原图还糊。我把参数调了一下午，越调越差。后来才明白，问题不在参数，在我根本没弄清噪声是什么类型。
一、心路：从算法到落地
本科阶段我迷过一阵 “追新”：哪个模型新就试哪个。跑到自己数据上，效果常常不如一个老方法。
转折是一次课程项目，做低照度图像增强。我先上了个复杂网络，训练两天，效果一般；后来老老实实分析噪声模型，做了暗通道先验加简单后处理，反而好很多。那次让我认清：信号处理这行，理解数据比堆模型重要。
保研准备时，我的焦虑是 “论文里的方法我不会复现”。解决办法是挑三篇经典文章，逐行复现代码，跑通为止。这个过程很慢，但之后看任何论文都不慌了。
二、绩点：数学与信号并重
核心课：数字信号处理、随机信号分析、模式识别、机器学习。
数字信号处理把滤波器设计、FFT、窗函数练熟，最好用代码实现，不只做笔算。随机信号分析把功率谱、相关函数、白噪声搞清，这是理解 “信噪比” 的前提。模式识别与机器学习把分类器（SVM、随机森林、简单神经网络）和评价指标（准确率、召回、F1、AUC）弄明白，指标用错，结论就废。
数学课别糊弄。线性代数（特征值、SVD）、概率论、优化方法，这三样在后面天天用。我大三补了一遍凸优化，收获很大。
三、英语：读信号处理期刊
信号处理方向的英文文献，读法是 “图先于文”。
先看图：数据集示例、结果对比图、消融表。图看懂了，文章的主要贡献基本就明白了。术语表记了：denoising、sparse representation、compressed sensing、convolution、attention、ablation study。
我一周读两篇，一篇精读一篇泛读。精读的写三百字笔记，泛读的只记一句 “它做了什么”。
四、竞赛：找有数据的赛题
我参加过数学建模和人工智能类赛事，也做过大创。
数模那次做的是图像相关的题，我们负责建模和编程，三天几乎没睡，最后交上去的论文里有完整的实验结果。人工智能类赛事做的是目标检测，数据集自己标了一部分，模型用的开源框架。
经验是：这类竞赛看 “完整度”。数据、方法、实验、分析，四样齐全，比模型多先进更重要。
五、科研：一个完整的实验
我的科研训练是一个完整的实验闭环。
题目是某类图像的降噪。流程：数据集准备（自采加公开数据）、预处理、基线方法复现、改进方法设计、训练与评估、消融实验。
消融实验是重点。我把每个模块单独去掉跑一遍，看性能掉多少，才知道哪个模块真有用。写报告时我把失败的尝试也写了进去，说明为什么不 work。
这段经历让我在面试时能讲清 “一个方法怎么被验证”，而不是只说 “我用了深度学习”。
六、辅导：材料的一遍重写
我报知点保研的定制辅导，问题是材料写成了技术流水账。
咨询师帮我把三段经历按 “问题、方法、结果、反思” 重写，删掉所有形容词；模拟面试追问 “你的消融实验怎么设计的”“数据集有多少张、怎么划分的”，逼我把数字说准。
说明：辅导改善的是表达与准备，录取由院系考核决定，任何服务都不构成录取承诺。
信号处理教我一件事：先弄清噪声，再谈信号。生活里也一样。
如有保研问题可以咨询电话 4000003363 或者微信 shuoedu，知点保研咨询师将热情专业的解答您的考研问题。
