本综述探讨了基于人脸视频的心率变异性（heart rate variability，HRV）估计技术，突出了其在健康监测和疾病诊断中的无创性和实时监控的优势。首先，解析了HRV的生理学基础和核心参数的定义，阐明了其在医疗保健领域的应用潜力。接着，详细介绍了人脸视频采集的技术细节、数据预处理流程，重点讨论了HRV参数估计的多种方法，包括传统信号处理技术和深度学习算法。分析表明，深度学习技术在HRV估计方面因其强大的模式识别能力，能够有效提取复杂视觉特征和处理非线性生理信号，在提高估计精度方面展现出显著优势。本综述还对比了传统方法和深度学习方法在不同应用场景中的表现，指出了各自的优势与局限性，并总结了基于人脸视频HRV估计技术的实际应用案例，如健康评估、情绪识别、精神压力评估、疲劳检测和心血管疾病早期预警等。因此，本综述提出了未来研究的方向，包括降低头部运动和环境光变化的干扰、优化模型选择及减少对训练数据的依赖等，以促进HRV估计技术的发展。本综述旨在提供基于人脸视频的HRV估计技术的全面视角，为学术界和工业界的技术创新和应用拓展提供重要参考。

目的视觉定位广泛地应用于自动驾驶、移动机器人和增强现实等领域，是计算机视觉领域的关键技术之一。现有的室内视觉定位数据集在重复纹理、对称结构和相似场景等方面不能完全反映出实际应用中的挑战，以及缺少相应指标反映视觉定位在实际应用中的问题。针对这些问题，本文提出一个基于全景相机的大尺度室内视觉定位基准数据集。方法本文选取了4种在实际应用中具有代表性的视觉定位场景，使用全景相机对选取场景进行分时段稠密采集，获取不同时间段下的室内全景数据。本文设计一种面向大尺度场景的全景建图算法对采集的数据进行高效准确地重建；同时设计一种基于建筑计算机辅助设计（computer-aided design，CAD）图的尺度恢复算法以恢复重建的真实尺度。本文通过激光测量和渲染对比方式对所提大尺度室内视觉定位数据集的精度进行定量和定性分析。此外，本文设计一种新的视觉定位算法评估指标——注册率和误定位率曲线，结合常用评估指标和本文所提指标对当前视觉定位算法进行全面地评估和分析。结果本文所提出的室内大场景视觉定位数据集总覆盖面积超过2万平米。评估结果显示当前最先进的方法在本文所提的数据集上仍有很大的提升空间。注册率和误定位率曲线反映出当前视觉定位算法无法有效地避免误定位问题，在保持较低误定位率的条件下，当前最先进算法的注册率在多个场景下不到50%。结论本文所提的室内视觉定位数据集和指标有助于更为全面地评估视觉定位算法，有助于研究人员对比和改进算法，有助于推动视觉定位在实际室内应用场景中的发展。数据集获取链接https：//github.com/zju3dv/PanoIndoor。

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。近年来，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三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，其中，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，本文从显式音频驱动，文本驱动和视频驱动三个方面进行回顾。根据驱动实现算法的不同，本文从基于中间变量、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，本文对于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。

目的多模态心脏磁共振（Cardiac Magnetic Resonance，CMR）图像预测非缺血性扩张型心肌病（Non-Ischemic Dilated Cardio Myopathy，NIDCM）的预后对临床中心力衰竭或心源性猝死等不同应用中发挥着重要作用。由于各个模态CMR图像对同一疾病的感兴趣区域（Regions Of Interest，ROI）不同，使得不同模态图像间的信息互补性和相关性关系复杂，导致多模态CMR图像在对NIDCM预后时表征困难。同时由于预后任务标注困难，可用于训练预后模型的有标注数据规模小，导致模型容易陷入局部最优。针对这两点挑战，提出了一种基于混合匹配蒸馏与对比互信息估计的模型，用于小样本上的多模态CMR图像对NIDCM预后。方法本文的预后模型有两种不同的设计，解决深度学习网络中多模态CMR图像的表征困难和模型容易陷入局部最优的问题。首先将不同模态CMR图像组合为不同的模态对，并提取对应的图像特征。由于不同模态对的预后目标一致而图像特征分布之间存在差异，因此设计一种混合匹配蒸馏网络，利用逻辑分布一致性将不同图像特征分布关联匹配，以此约束深度学习网络中多模态特征的提取和引导联合表征。然后在不同模态对之间设计一种互信息的对比学习策略，从而估计出多模态分布上的潜在的分类边界，以此作为预后模型的正则化项，避免模型在有限的数据上陷入局部最优。结果实验在一个NIDCM临床数据集上分别与最新的6种方法进行了比较。F1值和Acc值达到81.25%和85.61%；为了验证模型的泛化性，在一个脑肿瘤公共数据集上也分别与最新的4种方法进行了比较，F1值和Acc值达到85.07%和87.72%。结论本文所提出的基于混合匹配蒸馏与对比互信息估计的预后网络模型对多模态CMR图像进行了有效表征，同时利用多模态之间的潜在互信息增强深度学习模型在小样本场景下的模型优化，最终使得多模态CMR图像的对NIDCM预后结果更加准确。

目的扩散模型在视频生成领域取得了非常显著的成功，目前用于视频生成的扩散模型简单易用，也更容易让此类视频被随意滥用。目前，视频取证相关的数据集更多聚焦在人脸伪造领域上，缺少通用场景的描述，让生成视频检测的研究具有局限性。随着视频扩散模型的发展，视频扩散模型可以生成通用场景视频，但目前生成视频数据集类型单一，数据量少，且部分数据集不包含真实视频，不适用于生成视频检测任务。为了解决这些问题，本文提出了包含文本到视频（text to video， T2V）和图片到视频（image to video， I2V）两种方法的多类型、大规模的生成视频数据集与检测基准。方法使用现有的文本到视频和图片到视频等扩散视频生成方法，生成类型多样，数量规模大的生成视频数据，结合从网络获取的真实视频得到最终数据集。T2V视频生成中，使用15种类别的提示文本生成场景丰富的T2V视频，I2V使用下载的高质量图片数据集生成高质量的I2V视频。为了评估数据集生成视频的质量，使用目前先进的生成视频评估方法对视频的生成质量进行评估，以及使用视频检测方法进行生成视频的检测工作。结果创建了包含T2V和I2V两类生成视频的通用场景生成视频数据集，扩散模型生成视频数据集（Diffusion generated video dataset，DGVD）并结合当前先进的生成视频评估方法EvalCrafter和AIGCBench提出了包含T2V和I2V的生成视频质量估计方法。生成视频检测基准使用了4种图片级检测方法CNNdet （CNN Detection）、DIRE（DIffusion Reconstruction Error ）、WDFC（Wavelet Domain Forgery Clues）和 DIF（Deep Image Fingerprint）和6种视频级检测方法I3D（Inflated 3D）、X3D（Expand 3D）、C2D、Slow、SlowFast和MViT（Multiscale Vision Transformer），其中图片级检测方法无法对未知数据进行有效检测，泛化性较差，而视频级检测方法能够对同一骨干网络实现的方法生成的视频有较好的表现，具有一定泛化能力，但仍然无法在其他网络中实现较好的指标。结论本文创建了生成类别丰富，场景多样的大规模视频数据集，该数据集和基准完善了生成视频检测任务在此类场景下数据集和基准不足的问题，有助于促进生成视频检测领域的发展。论文相关代码：https：//github.com/ZenT4n/DVGD

目的图像超分辨率重建是计算机视觉领域内的基础任务。卷积神经网络通过滑动窗口机制和参数共享特性能够有效的提取局部特征，但对图像远距离信息的感知能力较弱。Transformer中的自注意力机制可以更好地捕捉序列中的全局依赖关系，但同时会带来高额计算资源占用的问题。方法为了解决这些问题，本文提出了一种基于多尺度大核注意力特征融合网络的超分辨率重建方法MLFN，该网络采用多路径结构学习不同的水平特征表示，从而增强网络的多尺度提取能力。此外，设计了一种多尺度大核可分离卷积块，它兼顾了自注意力机制强大的全局信息捕捉能力和卷积强大的局部感知能力，能更好地提取全局特征与局部特征。同时，在末端加入了轻量级的标准化注意力模块，在进一步增强模型性能的同时，实现了网络模型的轻量化设计。结果基于5个公开测试数据集，与11种代表性方法进行了实验对比，结果表明本文方法在不同放大倍数下均有最佳表现，所提MLFN比信息多重蒸馏网络（IMDN）的PSNR平均提升0.2dB，重建图像在视觉上具有明显优势。结论本文提出了一种基于多尺度大核注意力特征融合网络的超分辨率重建方法，借助精心设计的多尺度大核可分离卷积块，有效提高了网络的长距离关系建模能力，利用多路提取块引入多尺度特征进一步提高重建精度，引入标准化注意力模块在实现性能提升的同时维持较低的计算资源消耗。