点云因其丰富的信息表达能力已成为三维视觉的主要表现形式，然而实际采集到的点云数据往往因各种因素导致稀疏或残缺，严重影响点云后续处理。点云补全算法旨在从残缺点云数据中重建完整点云模型，是3D重建、目标检测和形状分类等领域的重要研究基础。目前，基于深度学习的点云补全算法逐渐成为三维点云领域的研究热点，但补全任务中模型结构、精度和效率等挑战正阻碍点云补全算法的发展。本文对深度学习背景下的点云补全算法进行系统综述，首先根据网络输入模态将点云补全算法分为两大类，即基于单模态的方法以及基于多模态的方法。接着根据三维数据表征方式将基于单模态的方法分为三大类，即基于体素的方法、基于视图的方法以及基于点的方法，并对经典方法和最新方法进行系统的分析和总结，同时结合热点模型，如生成对抗网络（generative adversarial network， GAN）、Transformer模型等进一步分类对比，评述各类模型下点云补全算法的方法特点与网络性能。再对基于多模态的方法进行实际应用分析，结合扩散模型等方法进行算法性能对比。然后总结点云补全任务中常用的数据集及评价标准，分别以多种评价标准对比分析现有基于深度学习的点云补全算法在真实数据集与多种合成数据集上的性能表现。最后根据各分类的优缺点提出点云补全算法在深度学习领域的未来发展和研究趋势，为三维视觉领域的补全算法研究者提供重要参考价值。

风格化数字人是在计算机图形学、视觉艺术和游戏设计等领域中迅速发展的一个领域。数字人物的设计和制作技术取得了显著的进步，使得数字人物能够具有更加逼真的外观和行为，同时也可以更好地适应各种艺术风格和情境。本文围绕风格化数字人任务，围绕数字人的风格化生成、多模态驱动与用户交互3个核心研究方向的发展现状、前沿动态、热点问题等进行系统性综述。针对数字人的风格化生成，从显式三维模型和隐式三维模型两种数字人的三维表达方式对于方法进行分类。显式三维数字人风格化以基于优化的方法、基于生成对抗网络的方法、基于引擎的方法为主要分析对象；隐式三维数字人风格化从通用隐式场景风格化方法以及针对人脸的隐式风格化进行回顾。针对数字人的驱动，根据驱动源的不同，从显式音频驱动、文本驱动和视频驱动3个方面进行回顾。根据驱动实现算法的不同，从基于中间变量、基于编码—解码结构等方面进行回顾。此外，算法还根据中间变量的不同可分为基于关键点、三维人脸和光流的方法。针对数字人的用户交互，目前主流的交互方式是语音交互，本文对语音交互模块从自动语音识别和文本转语音合成两方面进行了回顾，对于数字人的对话系统模块，从自然语言理解和自然语言生成等方面进行了回顾。在此基础上，展望了风格化数字人研究的未来发展趋势，为后续的相关研究提供参考。

目的无人机（unmanned aerial vehicle，UAV）因易操纵、灵活等特点，近年来在军事和民用等多个领域得到广泛应用。相对于低空无人机，高空无人机具有更广的视野，更强的隐蔽性，在情报侦察、灾害救援等方面具有更高的应用价值。然而，现有无人机多模态目标跟踪研究主要针对低空无人机，缺乏高空无人机多模态目标跟踪数据集，限制了该领域的研究和发展。方法构建了一个用于评估高空无人机多模态目标跟踪方法的数据集HiAl（high altitude UAV multi-modal tracking dataset），该数据集主要由搭载混合传感器的无人机在500 m高空拍摄的可见光—红外多模态视频构成，两种模态数据经过精确配准和帧级标注，可以较好地评估不同多模态目标跟踪方法在高空无人机平台下的性能表现。结果将主流的12种多模态跟踪方法在所提数据集与非高空无人机场景数据集上的表现进行了比较，方法TBSI（template-bridged search region interaction）在RGBT234数据集（RGB-thermal dataset）上PR（precision rate）值达到0.871，而在本文所提数据集上仅0.527，下降了39.5%，其SR（success rate）值由RGBT234数据集上的0.637，下降到本文所提数据集上的0.468，下降了26.5%。方法HMFT（hierarchical multi-modal fusion tracker）在所提数据集上的PR与RGBT234相比下降了23.6%，SR下降了14%。此外，利用HiAl数据集对6个方法进行重新训练实验，所有重训练方法的性能均得到提升。结论本文提出一个基于高空无人机平台的多模态目标跟踪数据集，旨在促进多模态目标跟踪在高空无人机上的应用研究。HiAl数据集的在线发布地址为：https://github.com/mmic-lcl/Datasets-and-benchmark-code/tree/main。

目的姿态引导下的人物图像生成具有广泛的应用潜力，受到了广泛关注。低分辨率场景的姿态引导人物图像生成任务取得了很大成功。然而在高分辨率场景下，现有的人体姿态迁移数据集存在分辨率低或多样性差等问题，同时也缺乏相关高分辨率图像生成方法。针对这一问题，构建了具有多模态辅助数据的大规模高清人物图像数据集PersonHD。方法PersonHD数据集收集了包含100个不同人物的299 817幅图像。在提出的PersonHD基础上，基于现有数据集的公共设置，本文进一步构建了两个不同分辨率下的评测基准，并设计了一个实用的高分辨率人物图像生成框架，为评估最先进的姿态引导人物图像生成方法提供了一个新的平台。结果与现有数据集相比，PersonHD在更高的图像分辨率、更多样化的人物姿态和更大规模的样本方面具有显著的优势。基于PersonHD数据集，实验在两个不同分辨率的评测基准上系统地评估了当前具有代表性的姿态引导人物图像生成方法，并对本文提出框架各模块的有效性进行了系统验证。实验结果表明，该框架具有良好的效果。结论本文提出的高清人物图像生成基准数据集具有高分辨率数据规模大、多样性强等特点，有助于更为全面地评估姿态引导下的人物图像生成算法。本文的数据集和代码可在https://github.com/BraveGroup/PersonHD上获得。

目的焦栈图像能够扩展光学系统的景深，并为计算摄影、交互式和沉浸式媒体提供灵活的图像表达。然而，受限于光学系统的物理属性和拍摄对象的动态变化，人们往往只能拍摄稀疏的焦栈图像。因此，焦栈图像的稠密化成为当前需要解决的一个难题。为应对上述挑战，提出了一种高斯—维纳表示下的稠密焦栈图生成方法。方法焦栈图像被抽象为高斯—维纳表示，所提出的双向预测模型分别包含双向拟合模块和预测生成模块，在高斯—维纳表示模型的基础上构建双向拟合模型，求解双向预测参数并生成新的焦栈图像。首先，将稀疏焦栈序列的图像按照相同块大小进行分块，并基于此将相邻焦距、相同位置的块组合成块对，以块对为最小单元进行双向预测。其次，在双向预测模块中，块对将用于拟合出最佳双向拟合参数，并基于此求解出预测生成参数，生成新的焦栈图像块。最后，将所有预测生成得到的块进行拼接，得到新的焦栈图像。结果在11组稀疏焦栈图像序列上进行实验，所采用评价指标包括峰值信噪比（peak signal to noise ratio，PSNR）和结构相似性（structure similarity index measure，SSIM）。11个序列生成结果的平均PSNR为40.861 dB，平均SSIM为0.976。相比于广义高斯和空间坐标两个对比方法，PSNR分别提升了6.503 dB和6.467 dB，SSIM分别提升了0.057和0.092。各序列均值PSNR和SSIM最少提升了3.474 dB和0.012。结论实验结果表明，所提出的双向预测方法可以较好地生成新的焦栈图像，能够在多种以景深为导向的视觉应用中发挥关键作用。

目的时空动作检测任务旨在预测视频片段中所有动作的时空位置及对应类别。然而，现有方法大多关注行动者的视觉和动作特征，忽视与行动者交互的全局上下文信息。针对当前方法的不足，提出一种结合扩张卷积与多尺度融合的高效时空动作检测模型（efficient action detector，EAD）。方法首先，利用轻量级双分支网络同时建模关键帧的静态信息和视频片段的动态时空信息。其次，利用分组思想构建轻量空间扩张增强模块提取全局性的上下文信息。然后，构建多种DO-Conv结构组成的多尺度特征融合单元，实现多尺度特征捕获与融合。最后，将不同层次的特征分别送入预测头中进行检测。结果实验在数据集UCF101-24和AVA（atomic visual actions）中进行，分析了EAD与现有算法之间的检测对比结果。在UCF101-24数据集上的帧平均准确度（frame-mAP）和视频平均准确度（video-mAP）分别为80.93%和50.41%，对于基线方法的漏检、错检现象有所改善；在AVA数据集上的frame-mAP达到15.92%，同时保持较低的计算开销。结论通过与基线及目前主流方法比较，EAD以较低的计算成本建模全局关键信息，提高了实时动作检测准确度。