目标检测是计算机视觉领域的核心任务，其通过深度神经网络技术识别图像中的视觉对象并预测其位置和类别。在闭集环境下，目标检测器已显著展现出实用价值；然而，在开放环境中，这些系统面临着诸多挑战，包括不断变化的数据分布、新类别的出现以及噪声干扰，均可能影响决策准确性。相较于闭集环境下的综述性研究，开放环境中的目标检测及其特有挑战的应对策略仍显不足。本文深入分析了开放环境下目标检测面临的主要挑战，包括域外和类别外数据的处理，以及如何通过鲁棒和增量学习适应环境动态。我们首次全面分析了现有检测方法如何应对这些挑战，总结了它们在适应新场景、提高决策鲁棒性、以及支持持续学习方面的方法。进一步地，本文探讨了改进目标检测系统的可能方向，包括开发能够处理更广泛数据集的新方法，整合领域知识增强决策的上下文依赖性，以及设计动态适应的攻防机制和新类别的学习算法。通过这项工作，我们希望为开放环境中的目标检测技术提供一种全新的、系统化的视角，以促进未来更加稳健的解决方案开发，并推动该技术在实际应用中的进一步发展。

目的视觉匹配导航需要预先构建场景三维点云信息，相较于传统软件和专业仪器测图建模，基于消费级终端的视频流数据视觉建模具有成本低、数据更新方便和空间覆盖广等优势，但视频帧因数量庞大存在图像冗余，而造成三维模型重建计算代价高、累计误差较大甚至重建失败的问题，因此本文提出一种基于互校验加权光流的三维重建关键帧提取方法。方法首先，利用传感器陀螺仪数据对视频流中的图像进行场景预分类；然后，采用SIFT（Scale Invariant Feature Transform）算法检测图像特征点和描述符，并结合FLANN（Fast Library for Approximate Nearest Neighbors）匹配和金字塔LK（Lucas-Kanade）光流算法，捕捉相邻帧的动态变化，提取两种算法同时检测成功的特征点并计算欧氏距离，筛选出相邻帧强匹配点对；最后，基于场景预分类结果，对图像消失点附近的强匹配点对，在直线道路采取高斯加权，在转弯道路采取均匀加权，计算帧间光流场总运动从而获取相似度，最终实现视频关键帧提取。结果实验利用消费级终端自采集4组不同场景数据，将本文算法与传统关键帧提取算法进行对比，统计提取关键帧数量并利用结构相似性指数计算高相似度帧数量，将直线和转弯道路提取结果与原视频帧分别进行对比，最后进行三维模型重建实验从而评估提取效果。实验结果表明，本文算法可以将视频帧总数量降低到10％左右，其中高相似度帧数量明显少于其他算法；相较于直线道路，在转弯处关键帧数量占比较大，符合三维重建预期需求；最终模型重建完整度在4组数据上分别为100％、100％、97.46％和96.54％，优于其他算法。结论本文提出基于互校验加权光流的三维重建关键帧提取方法能有效降低视频帧数量，筛选的关键帧能够提高相邻帧匹配精度和稳定性，增强在多样化场景下三维重建的鲁棒性。

在计算成像领域中，场景重光照是一项用于调整和编辑给定图像中光照属性的技术，以呈现与指定光照条件一致且趋近于真实的重光照图像。近年来，场景重光照任务作为元宇宙与虚拟现实应用中的重要组成部分备受学术界和工业界关注，在数码摄像、曝光纠正和影视后期处理等领域都具有重要的应用价值。然而，基于人工的场景重新照明流程通常费时费力，既需要影视特效师手动提取准确的前景图像，还需要精心处理图像中的光影信息、边缘细节以及场景各物体之间的交互关系进行调整，以获得与给定虚拟光照环境相融合的真实效果。近年来，随着机器视觉技术和计算机图形学的发展，利用算法实现场景重照的方法开始取代人工，以其重渲染的精度和效率吸引包括影视制作在内的许多行业的目光。并且同传统成像模型、光照模型、三维重建与深度学习等结合之后，相关技术在场景重光照的真实性与可控性等方面取得了显著进步。鉴于国内外鲜有关于场景重光照任务的研究综述，本文对场景重光照方法进行了系统梳理和评述。根据场景重光照研究中各个环节的特点，将现有的研究工作按照流程分为光照解耦、本征分解和重渲染三个过程：光照解耦从原图像中提取环境光照信息并予以本征表达，不仅为后续过程提供了光照信息，而且提升了本征分解过程中对于光照不变特征图像的分解效率与估计精度；本征分解过程则旨在利用解耦得到的光照信息从原图像中获取场景的表面几何属性与纹理属性；最终的重渲染方法根据给定的目标光照信息与分解得到的表面属性实现对场景的重渲染，使得输出图像的光照属性符合期望光影效果。在剖析上述过程的核心原理与特点的基础上，着重分类讨论典型算法的优势与不足；为方便研究人员开展进一步的工作，介绍了场景重光照任务中常用数据集种类以及相关采集设备；最后，总结了该领域研究面临的主要问题和挑战，并展望了未来潜在的研究方向。

目的纯Transformer神经网络在图像去噪上效果显著，但要进一步提升去噪质量，需要增加大量的训练和预测资源；另外，原始Swin Transformer对高分辨率图片输入缺少良好的适应性。对此，设计了一种基于Swin Transformer V2的U-Net图像去噪深度学习网络。方法该网络在下采样阶段设计了一种包括Swin Transformer V2和卷积并行提取特征的Transformer块，然后在上采样阶段设计了一种特征融合机制来提升网络的特征学习能力。针对图像去噪任务对Transformer块修改了归一化位置及采用镜像填充机制，提高Swin Transformer V2块的适应性。结果在CBSD68（Color Berkeley Segmentation Dataset）、Kodak24、McMaster和彩色Urban100四个图像去噪常用测试集上进行去噪实验，选择峰值信噪比（peak signal-to-noise ratio， PSNR）作为去噪效果的评价指标，在噪声等级为50的去噪实验中，得到的平均PSNR值分别为28.59、29.87、30.27、29.88，并与几种流行的基于卷积和基于Transformer的去噪方法进行比较。本文的去噪算法优于基于卷积的去噪方法，而相比于性能接近的基于Transformer方法，本文的去噪算法所需浮点运算量仅为26.12%。结论本文所提方法使用的Swin Transformer V2和特征融合机制均可以有效提升图像去噪效果。与现有方法相比，本文方法在保证或提升图像去噪效果的前提下，大幅度降低了训练和预测所需要的计算资源。

情智兼备数字人与机器人技术旨在开发具备情感理解和个性化响应能力的智能系统，这一方向逐渐成为学术界和社会各界的研究焦点。本文围绕脑认知驱动的情感机理、多模态情智大模型的融合与解译、个性化情感表征与动态计算以及可交互情绪化内容生成调控等四个方面，系统性地分析了情智兼备数字人与机器人技术的研究现状与进展。展望未来，情智兼备数字人与机器人将在医疗陪护、智能教育、心理健康等领域展现出广阔的应用前景，并将在提升人机交互的自然性、个性化服务以及用户体验方面发挥重要作用。

目的路面缺陷检测是道路维护和管理的重要环节，人工智能技术能够极大地提升路面缺陷检测的性能和效率，为解决当前路面缺陷检测算法难以满足在计算资源受限设备上进行实时检测的问题，本文基于YOLOv8（you only look once version 8）目标检测框架，结合部分卷积（partial convolution）与初始深度卷积（inception depthwise convolution）机制提出了一种轻量级的路面缺陷检测算法YOLOv8n-PIVI。方法该算法在骨干特征提取网络引入PartialBlock降低模型参数量，同时引入IDBlock（inception depthwise block）丰富网络的特征提取能力并进一步降低计算复杂度；在特征融合网络引入VanillaBlock减少网络参数的同时优化网络特征融合能力；引入ID-Detect（inception depthwise detect）检测头，极大降低模型的计算复杂度并优化检测头对于不同尺度特征的解析能力。结果在Pothole Dataset数据集上的实验结果显示，本文提出的算法mAP50（mean average precision at 50% intersection over union）达到了0.55，较基线算法提升了3.5个百分点，FPS（frames per second）达到了243，较基线算法提升了43，并且模型参数量和计算量仅为基线67%和72%，模型参数文件由6.3MB（mega byte）降低至4.3MB，内存占用较原模型降低了近1/3。在与目标检测领域较经典算法的对比实验中，本文所提出的算法在同参数量级模型中检测精度、计算复杂度及FPS较其他算法都有一定优势。此外，在RDD2022（road damage detector 2022）-China-MotorBike数据集和VOC2012（visual object classes 2012）数据集上的实验结果表明，本文所提算法具有良好的适应性和鲁棒性，能够适应不同的目标检测任务。结论综合实验结果表明，本文提出的算法能够以轻量级的计算资源需求，实现更高的目标检测性能，模型参数文件大小低至4.3MB，并且具有良好的适应性和鲁棒性，有助于降低路面缺陷检测算法的使用限制，拓宽路面缺陷检测系统的适用场景。