目的曲面上测地线的初值问题不仅是微分几何中的基础性课题，也在几何建模、图形处理及科学计算等多个领域中发挥着关键作用。现有几何方法通过结合测地线的切向量与曲率向量，并借助泰勒展开式逐步构造测地路径。虽在一定程度上简化了计算，但在计算精度与计算效率方面仍存在不足。为提升几何方法的性能，做出了一些改善与提升。方法首先，基于测地线在曲面上一点处的曲率向量与曲面在该点的法向量平行的几何性质，结合以弧长为参数的曲线具有单位切向量的约束，推导出一种新的曲率向量计算方法，该方法在简化计算流程的同时提高了计算精度，从而增强了整个几何算法的精度与效率。其次，给出了改进后几何方法的相关误差估计。结果实验结果表明，与一种先进的几何方法Zhang方法相比，所提方法在计算时间上缩短约25%，而计算精度提升了1至3个数量级。这意味着若要达到相同精度，Zhang方法所需时间至少为所提方法的13倍。相比一种经典数值方法Beck方法，所提方法在时间上节省约75%，在精度上各有优劣，但Beck方法的计算精度在不同情况下波动较大，而提出的方法的计算精度则更加稳定。结论所提方法在保持原有几何方法计算稳定性的基础上，进一步提升了计算精度与计算效率，实现了精度、效率与稳定性的兼顾，这是现有方法所难以同时具备的优势，从而展现出更高的实际应用价值。

目的近年来，深度卷积神经网络在单幅图像超分辨率（single image super-resolution， SISR）领域取得显著进展。但依赖加深网络结构易造成特征冗余与利用不足，限制细节重建。为此，提出一种基于自适应特征融合的循环网络（recursive network based on adaptive feature fusion， AFFRN），有效提取并融合不同深度的图像特征，实现更丰富的纹理重建。方法网络中，通过构建一个自适应特征融合模块（adaptive feature fusion module， AFFM）来实现不同深度特征的有效融合。在AFFM中，设计了三个不同结构的分支：1）细节注意力分支（detail attention branch， DAB），用于捕捉显著细节特征；2）细节探索分支（detail exploration branch， DEB），负责挖掘深层特征信息；3）权重分配分支（weight assignment branch， WAB），自适应地为DAB和DEB提取的特征分配动态权重，从而实现更加精细的特征融合。同时，引入循环机制，将AFFM在每次迭代中提取的特征反馈用于下一次的迭代中，逐步提升特征表达能力。结果在5个公开测试数据集上的评估结果表明，所提出的方法在不同放大倍数下取得了不同程度的提升。当放大倍数分别为2、3和4时，在Urban100数据集上相比先进的自适应特征选择调制网络（adaptive feature selection modulation network，AFSMNet），峰值信噪比（peak signal-to-noise ratio，PSNR）分别提升0.75dB、0.53dB和0.54dB，重建图像在视觉上具有明显优势。结论实验结果表明，所提出的AFFRN网络通过结合循环机制与基于动态权重分配的多分支特征融合，实现了更丰富的细节重建，获得更高质量的超分辨率重建结果。

目的域自适应目标检测旨在解决检测模型在不同域数据间迁移应用时面临的性能下降问题。目前流行的基于平均教师框架的域自适应目标检测方法多采用基于类别置信度的单向评估机制。当伪标签存在噪声时，学生模型会沿错误方向更新参数，导致教师模型累积误差，最终制约模型的性能。为此，本文提出融合负教学和负学习策略的域自适应目标检测方法（negative teaching and negative learning，NTNL）。方法不同于已有的平均教师框架方法，本文所提方法NTNL采用双向评估机制。一方面引入负学习方法，指导学生模型判别伪标签的互补标签，使学生模型在噪声伪标签的影响下仍能构建鲁棒的决策边界；另一方面添加负教学策略，降低教师模型对困难样本做出错误分类的概率，提升伪标签的可靠程度与质量。此外，提出一种自适应加权机制，通过动态调节负教学权重，平衡不同学习任务中的负教学尺度，增强模型的泛化能力。结果在三个公开基准跨域目标检测任务上验证本文方法的有效性，与最近的方法相比，mAP（mean average precision）值分别提升了8.0%、4.7%和1.7%。消融实验以及特征可视化等进一步验证了本文方法的有效性。结论本文提出的NTNL通过引入负向思维，减轻了噪声伪标签的影响，在天气条件适应、城市道路跨风格适应和真实至插画风格适应三类典型场景中都取得了优越的性能。

目的错误信息的传播已成为数字时代亟待解决的重大挑战。随着多媒体技术的快速发展，网络空间中视觉与文本模态相结合的虚假内容呈现泛滥态势。尽管现有研究在多模态媒体篡改检测与定位方面取得了一定进展，但普遍存在跨模态层次化信息交互不足、篡改区域定位精度有限等关键问题。针对上述挑战，本研究提出了一种基于多视角视觉-语言信息交互的篡改检测框架。方法首先，通过全局与局部双视角特征嵌入，构建层次化篡改对比学习机制，实现跨模态细粒度语义对齐，有效捕捉篡改区域的语义不一致性。其次，创新性地设计了伪造感知交互模块，集成多尺度特征提取与频域特征融合策略，显著提升了不同粒度篡改特征的定位能力。此外，引入跨模态门控融合模块，采用动态权重分配策略优化模态间信息交互，从而增强模型在多模态深度伪造检测及细粒度分类任务中的判别能力。结果实验结果表明，在相同实验环境下，本模型相较基于分层推理的HAMMER（hierarchical multi-modal manipulation reasoning Transformer）框架，在图像深度伪造定位任务中IoU75（intersection over union at a threshold of 75%）指标提升6.41%，文本篡改定位任务的召回率与F1分别提高5.63%和2.01%。与VLP-GF（visual-language pre-training with gate fusion）框架相比，本模型在多模态多任务学习的综合评估中展现出全面性能优势。结论本文提出的多视角视觉-语言信息交互模型相较于其他模型，在多模态深度伪造检测与定位任务中表现出显著优越性，为多媒体内容安全领域提供了新的技术解决方案。

目的针对现有北极海冰预测模型在特征提取中容易丢失高频细节信息、导致精细结构预测不准确，以及对深度网络产生的丰富中间层特征利用不充分从而限制模型表达能力这两大难题，本文提出一种新的海冰预测网络以提升预测精度。提出一种基于小波多尺度残差聚合的海冰预测网络（WRANet）。方法首先，设计了小波多尺度特征提取模块，该模块融合二维离散小波变换与多尺度卷积策略，在频域上分离并保留图像的高频细节与低频轮廓信息，以获得更鲁棒的特征表达。在此基础上，引入一种轻量化的像素级注意力机制，对特征图进行动态空间校准，以增强关键区域的特征响应。其次，引入一种渐进残差聚合结构，通过聚合网络在不同处理阶段输出的中间层特征，形成一个更全面、多层次的特征表示，以捕捉复杂的时空动态。结果在公开的OSI-450-a与AMSR2海冰数据集上，本文将所提WRANet模型与ConvLSTM、SimVP等六种主流模型进行了综合对比。实验结果表明，在OSI-450-a数据集上，WRANet在所有关键评估指标上均达到最优，其均方根误差（RMSE）与平均绝对误差（MAE）分别低至6.44%和2.02%。与当前性能领先的SimVP模型相比，WRANet在RMSE指标上降低了0.45个百分点，同时计算复杂度更低。在更高分辨率的AMSR2数据集上的实验同样验证了模型的卓越性能与泛化能力。此外，消融实验定量地证明了所提出的模块与结构均是提升模型预测精度的有效设计。结论本文所提出的WRANet网络，通过有效融合频域分析与多尺度特征提取，并高效利用网络中间层特征，成功改善了海冰时空特征的捕捉效果，提升了模型对复杂时空依赖的建模能力，为高精度北极海冰预测提供了一种有效的解决方案。

目的工地风险隐患识别旨在通过自动化技术提升施工现场安全管理水平。现有基于大语言模型的研究分为两类：一是利用图文匹配进行协同推理，但对复杂隐患特征捕捉不足；二是通过专业数据集进行指令微调或多轮对话引导，但存在训练成本高、泛化能力差的问题。方法本文提出一种基于相似案例检索增强的隐患识别方法，通过提示微调技术动态融合外部知识库与检索案例上下文，设计有效的图片检索策略，解决了大模型因领域知识缺失与特征关联弱化导致的误判问题。该方法包括检索库、图片相似度检索和大模型检索增强三个模块，实现了无训练优化下的高效识别。结果实验基于真实施工数据，在多种大模型上测试该方法并进行系统性评估，其中 GLM-4V 的识别正确率提升至 50%，较基线方法显著提高 35.49%，且在多数隐患类别上均表现出性能增益；进一步通过消融实验验证关键模块的有效性，引入学习感知图像块相似度（learned perceptual image patch similarity， LPIPS）算法与图像检索模块中采用的对比语言-图像预训练（contrastive language–image pretraining， CLIP）算法进行对比，结果表明所构建的图像计算检索策略具备优越性。结论本文提出的基于相似案例检索增强方法显著提升了大模型在工地风险隐患识别中的准确率与上下文理解能力，在多类别隐患场景下均表现出良好的泛化性能，为施工现场安全风险智能检测提供了新的理论支撑与技术路径。