2024年5月31日，重庆理工大学期刊社成功举办第28期重理工期刊谷活动暨《智能技术学报（英文）》第四期作者分享会。本场活动邀请了两位优秀期刊作者进行分享，分别是中央民族大学李霞丽教授和西北工业大学田春伟副教授。《智能技术学报（英文）》青年编委、北京大学张健助理教授/研究员担任本场活动主持人。

张健助理教授/研究员主持

重庆理工大学期刊社彭熙社长在致辞中对各位嘉宾参加本场活动表示了衷心感谢，并介绍了“重理工期刊谷”栏目的发展历程及发展目标。她提到“重理工期刊谷”在2018年揭牌，致力于为期刊同行、专家学者和学生搭建学术平台。为更好地服务广大作者和读者，有效地宣传作者的研究成果和团队，延伸期刊服务功能，“重理工期刊谷”于2023年推出作者分享会活动，并已成功举办多场。在此，非常感谢广大作者和读者对作者分享会和期刊工作的大力支持。

彭熙社长致辞

《智能技术学报（英文）》编辑部王晓纯编辑介绍了期刊自2016年创刊以来的发展历程和基本情况，重点介绍了有关期刊投稿的注意事项等作者们关注的问题。

王晓纯编辑介绍期刊

第一位报告嘉宾李霞丽教授的报告题目是《Tjong:一种基于Transformer与番型回溯奖励塑形的分层决策麻将AI》。本研究表明，当前麻将AI训练时存在两个关键问题，第一是麻将博弈规则复杂导致普通神经网络难以拟合。第二是奖励稀疏导致强化学习算法很难学习到奖励的合理分配。根据麻将博弈的真实决策过程，本文提出了一种分层决策模型，将决策分为动作决策和牌决策两个阶段。本文还设计了一种基于番型的奖励塑形方法，称为"番型回溯"。通过逆向分配番型分数，将和牌番数分配给每一步决策，降低奖励的随机性和稀疏性。经过实验验证，在有限的计算资源的情况下，基于Transformer与番型回溯奖励塑形的分层决策AI具有良好表现。Tjong在国标麻将天梯榜上达到前1%（共535个bot）的排名。

李霞丽教授报告

第二位报告嘉宾田春伟副教授的报告题目是《基于动态网络的图像超分辨率》。该研究表示，卷积神经网络依赖于深度网络架构来提取图像超分辨率的准确信息。然而，这些卷积神经网络获得的信息不能完全表达复杂场景下的预测高质量图像。本文提出了一种用于图像超分辨率的动态网络，它包含一个残差增强块、一个宽增强块、一个特征细化块和一个构造块。残差增强块由残差增强架构组成，以促进用于图像超分辨率的层次特征。为了增强复杂场景下获得的超分辨率模型的鲁棒性，宽增强块实现了动态架构，以学习更鲁棒的信息，增强获得的超分辨率模型对不同场景的适用性。为了防止宽增强块中组件的干扰，细化块采用堆叠架构来准确学习获得的特征。此外，细化块中嵌入了残差学习操作，以防止长期依赖问题。最后，构造块负责重建高质量图像。设计的异构架构不仅可以促进更丰富的结构信息，而且具有轻量级特性，适用于移动数字设备。实验结果表明，提出的方法在性能、图像超分辨率的恢复时间和复杂性方面更具竞争力。

田春伟副教授报告

《智能技术学报（英文）》第四期作者分享会的两场报告内容丰富精彩，极具吸引力。在两场报告的最后环节，嘉宾们都对其团队进行了详细介绍，起到了良好的宣传作用。直播活动氛围活跃并设置了答疑环节，嘉宾与线上参会人员进行了充分的交流。本场活动在重庆理工大学期刊社微信视频号和蔻享学术同步直播，在线观看人数达两千余人，取得了较好的直播观看效果。后续重理工期刊谷还将继续推出作者分享会和其他形式的线上活动，欢迎广大专家学者多多关注和支持。