托马斯·布罗克斯（生于1976年）是一位德国计算机科学家，专攻计算机视觉和机器学习。他是弗莱堡大学模式识别与图像处理教授，并领导该校的计算机视觉研究组。布罗克斯因共同撰写了用于生物医学图像分割的U-Net架构，以及FlowNet（一种用于光流估计的早期卷积神经网络方法）而闻名。根据Scopus的数据，截至2026年，他的出版物已被引用超过13万次。
学术生涯
布罗克斯于2005年在萨尔兰大学获得计算机科学博士学位。随后，他在波恩大学担任博士后研究员，之后在加州大学伯克利分校的Jitendra Malik计算机视觉研究组工作。他还曾作为临时教授领导德累斯顿工业大学的智能系统研究组。2010年，他加入弗莱堡大学，成为模式识别与图像处理教授。他曾担任ECCV 2020的程序主席，并于2026年7月1日成为工程学院院长。
光流研究
布罗克斯研究的早期重点是光流，即图像之间表观运动的估计。2004年，布罗克斯、安德烈斯·布鲁恩、尼尔斯·帕彭贝格和约阿希姆·魏克特提出了一种变分方法，该方法结合了亮度和梯度恒常性、保持不连续性的平滑约束以及非线性多分辨率优化方案。这项工作获得了ECCV 2004的Longuet-Higgins最佳论文奖和2014年的Koenderink奖。
2015年，布罗克斯共同撰写了FlowNet，该研究将光流估计表述为卷积神经网络的监督学习问题，并使用完全合成的训练数据。这项工作展示了深度学习在经典视觉任务中的潜力。
U-Net与深度学习
同样在2015年，布罗克斯与奥拉夫·龙内贝格尔和菲利普·费舍尔共同撰写了U-Net。U-Net是一种用于生物医学图像分割的卷积架构，它结合了收缩路径和扩展路径，并使用跳跃连接来保留编码器中的高分辨率信息。该架构在医学影像和其他分割任务中被广泛采用，并影响了后续的神经网络设计。
布罗克斯的工作处于计算机视觉和机器学习的交汇点，为更广泛的深度学习运动做出了贡献。他在视觉表示学习方面的研究探索了神经网络如何从图像中学习有用的特征，通常无需显式标签。
奖项与会员资格
布罗克斯获得了ECCV 2004的Longuet-Higgins最佳论文奖和2014年的Koenderink奖，两者均针对他与布鲁恩、帕彭贝格和魏克特合著的2004年光流论文。自2020年以来，他一直是海德堡科学与人文学院的正式成员。
参考文献
- 来源事实由维基百科提供（CC BY-SA）。