目的海上船舶目标检测对海域管理和交通安全至关重要，但受复杂环境影响，常出现遮挡、模糊和细节丢失等问题，现有方法检测精度不足、易误检漏检，难以满足船舶精确识别需求。基于此，本文提出一种跨尺度自适应频域增强的海上船舶检测方法。方法以YOLO11为基线模型进行针对性改进，首先，设计了一个自适应频域特征增强模块（Adaptive Frequency-domain Feature Enhancement Module， AFEM）用于海上船舶细节特征的增强。该模块针对不同尺度的特征信息，采用傅里叶变换将特征信息转换到频域，通过门控单元对全局和局部信息进行自适应增强，全面增强网络对海上退化特征的提取能力。其次，在颈部引入一个多尺度特征感知模块（Multi-scale Feature Perception Module， MFP）。使用不同的卷积核捕获多尺度特征，高效挖掘并利用海上船舶图像的上下文特征信息，引导网络精准聚焦船舶目标特征，有效抑制复杂背景与遮挡带来的干扰，缓解小目标船舶的特征丢失现象，显著降低海上船舶检测的错检与漏检率。结果在MVDD（Marine Vessel Detection Dataset）和RTTS（Real-world Task-Driven Testing Set）数据集上的平均精确度（mean Average Precision at 50% IOU， mAP50）分别达到95.18％和74.79％，对13类船舶的检测表现优异，尤其在小目标、遮挡船舶检测中优势显著。同时，参数量仅有6.29M，推理速度达到227 FPS（Frames Per Second）。通过与目前最先进的16种不同类型方法的比较，本文提出的方法检测性能更优，在检测精度和模型复杂度之间实现了更好的平衡。结论本文所提方法不仅在海上表现出色，对于陆地的恶劣天气条件也有较强的适应能力，展现出较好的鲁棒性和泛化性，同时具备较高的可部署性和实际应用价值。

目的文本-图像的行人检索任务（text-to-image person retrieval， TIPR）利用自然语言描述从监控图像库中定位目标行人，是智慧城市与智能安防中的关键技术。随着无人机成像技术的发展，“空-地协同”多视角监控成为主流趋势，但目前TIPR研究主要聚焦地面视角，缺乏同时涵盖空中与地面视角的基准数据集，制约了其在多视角协同监控场景中的应用。因此，本文旨在构建一个包含空中与地面视角的混合多视角行人检索基准数据集，以推动多视角TIPR的研究。方法为此，本文构建了文本-图像的空中-地面多视角混合行人检索数据集（aerial-ground mixed-view person retrieval dataset， AGMix-PR）。该数据集通过采集多源数据库中的空中与地面视角行人图像，真实反映了实际应用场景中的挑战。为支持大规模高质量文本标注，本文进一步提出一种属性引导的层次化文本生成框架：利用结构化属性作为高层引导信号驱动多模态大语言模型生成准确且多样化的自然语言描述，确保了低成本条件下的高质量文本输出。结果实验结果表明，现有主流TIPR方法在AGMix-PR上整体性能显著下降，反映出多视角场景带来的挑战。结论AGMix-PR数据集有效弥补了当前TIPR领域在空–地多视角混合场景下基准数据集的不足，其构建方法为经济高效地创建多模态数据集提供了新思路。该数据集为相关研究提供了一个重要的基准平台，有助于推动鲁棒行人检索理论与方法的发展，适应真实复杂场景的需求。AGMix-PR数据集的在线发布地址为：https：//github.com/barry-wy/AGMix_PR。

目的现有目标检测主动学习的度量方法仅依赖检测器自身输出，难以识别高置信但语义错误的误检结果且易造成采样冗余。为此，本文旨在引入跨模态先验以提升主动采样的可靠性与有效性。方法提出跨模态先验驱动的语义增强主动学习方法（semantic enhanced active learning，SEAL），在不增加额外监督的前提下利用视觉语言模型如对比语言-图像预训练模型（contrastive language-image pre-training，CLIP）的语义对齐能力提升样本选择质量，有效纠正单模态检测器在训练数据匮乏时的判别偏差。在不确定性采样阶段，SEAL使用CLIP对图像候选检测框区域进行特征提取，通过对比检测器与CLIP的类别预测结果，构建融合视觉与语义的一致性指标，实现更鲁棒的实例级不确定性度量。在多样性采样阶段，聚合图像各类别目标的CLIP特征，构建类别级结构特征表示，并据此计算图像间的结构相似性，实现类别对齐的多样性度量，提升采样的类别覆盖和信息表达多样性。结果在MS COCO与Pascal VOC数据集上的实验结果表明，SEAL在多种主动学习基准设置下均优于主流方法，表现出更高的检测精度。在RetinaNet on Pascal VOC基准上（20%标注数据），SEAL方法的mAP@0.5为72.4%，较当前最优方法提升0.8%；在RetinaNet on MS COCO基准上（10%标注数据），AP@［0.5：0.95］为23.9%，提升0.5%。结论本文提出的SEAL方法成功地利用了跨模态先验知识来优化主动学习中的样本选择过程。通过构建更鲁棒的不确定性度量和更具代表性的多样性度量，能够显著减少数据标注成本、提升模型学习效率。

水体对光的选择性吸收与多重散射以及悬浮颗粒的复杂作用，使水下图像普遍存在色偏、对比度下降、雾化、细节模糊和噪声等复合退化，严重制约了其在海洋探测、生态监测、水下作业机器人等场景中的应用效果。水下图像质量评价（UIQA）作为连接水下成像机理、图像增强算法与下游视觉任务的关键环节，对于客观衡量图像可用性、指导增强方法优化以及保障任务可靠性具有基础性意义。本文围绕UIQA领域的发展脉络开展系统综述：首先从水下光学成像模型出发，分析不同退化类型的物理成因及其感知表现；其次梳理现有主客观质量评价指标及其统计特性，总结主流数据库在规模、标注方式与应用定位上的差异；在此基础上，对传统特征建模方法、深度学习方法、物理模型融合方法以及面向任务的效用驱动评价框架进行分类评述，重点讨论排序学习、多维质量建模、注意力与状态空间模型等新型技术在UIQA中的应用进展。最后，从跨域泛化、主观一致性、可解释性以及“人类感知—机器任务”统一评价等角度分析当前挑战，并对面向真实海洋环境的质量评价体系发展趋势进行展望。本文提及的算法、数据集和评估指标已汇总至https：//github.com/OUC-AI/UIQA。

水下图像处理因其在海洋生物学、地质勘探及军事侦察等领域的广泛应用而备受关注。视觉感知技术能够高密度地获取水下环境信息，被广泛应用于水下机器人救援、海底设施维护以及水下考古等任务。然而，由于光在复杂水体介质中传播时存在的吸收与散射效应，所获取的图像往往出现颜色失真、对比度下降和细节模糊等严重退化现象，显著影响图像质量与可用性。尽管近年来研究人员致力于提升水下图像的视觉质量，并提出了多种增强方法，但目前仍缺乏对相关技术的系统化归纳与分类。本文从水下光学成像的退化机理出发，深入分析光传播特性对成像质量的影响，并系统回顾现有的水下图像增强与复原方法。以往文献在总结水下图像处理的传统复原与数据驱动方法时，常忽视超分辨率重建技术这一重要方向，本文在此基础上进一步引入该技术从而构建更完整的水下图像处理研究框架。通过梳理不同方法的发展脉络与技术特点，本研究旨在为该领域后续研究提供系统参考，并为未来发展方向提出可行性建议。

目的当前，基于语音驱动的3D说话人脸生成技术已经较为成熟，尤其是基于向量量化变分自编码器（VQ-VAE）的模型。但现有方法情感引导方式较为简单，未能充分利用多模态信息；此外，现有的基于VQ-VAE的人脸生成模型重建的人脸细节有限。方法本文在VQ-VAE框架下对人脸特征进行分层解耦，将其分为顶层和底层特征，并引入身份向量和描述文本作为外部条件解耦顶层特征，随后顶层特征再作为内部条件，与外部条件一起解耦底层特征，实现特征的分层解耦，以提升人脸的重建质量并增强情感表达的稳定性。在生成过程中，语音和文本共同引导人脸生成，从而充分利用多模态信息。结果在3DMEAD和TA-MEAD数据集上的定量实验表明，本模型在生成人脸的平均顶点误差（MVE）、平均估计误差（MEE）和覆盖误差（CE）等关键指标上均达到最优，唇部顶点误差（LVE）为次优。可视化分析显示生成的表情整体上更生动逼真。消融实验验证了外部条件与内部条件对模型效果的关键作用。结论本文提出的方法有效提升了人脸重建的准确性与表情生成的稳定性，生成结果在整体上更接近真实人脸。本文代码已在GitHub开源并于ScienceDB存档，访问链接为：https：//github.com/XAUT-VcLab/2022CS-Project1和https：//doi.org/10.57760/sciencedb.j00240.00095。