Abstract:

Abstract:

随着人工智能与智能视觉技术的快速发展，图像和视频已由传统的人眼观看媒介逐步演变为支撑机器感知、理解与决策的重要信息载体。传统视觉编码方法主要面向像素重建质量和人眼感知质量进行优化，难以充分满足目标检测、语义分割、目标跟踪和行为识别等机器视觉任务对语义信息与判别特征高效保持的需求。近年来，面向机器视觉的编码技术受到学术界和工业界的广泛关注，并逐渐成为视觉信息压缩领域的重要研究方向。本文围绕机器视觉编码的关键技术与发展趋势进行系统综述。首先，介绍传统图像视频编码标准面向机器视觉任务的优化方法，重点分析任务感知码率分配、机器视觉率失真优化以及编码工具优化等关键技术。随后，系统梳理基于深度学习的智能编码方法，并按照编码对象将其归纳为智能图像编码、智能视频编码和智能特征编码3个主要方向，分析相关技术由像素重建向语义保持、任务性能保持及边缘-云协同智能处理演进的发展脉络。最后，总结当前机器视觉编码在评价体系、跨任务与跨模型泛化、计算复杂度、标准兼容性以及人机协同与隐私安全等方面面临的主要挑战，并对统一率失真建模、通用视觉表征编码、轻量化智能编码、人机协同编码及标准化等未来发展方向进行展望。

Abstract:

图像伪造检测与定位（Image forgery detection and localization， IFDL）旨在判别图像是否经过篡改或整幅合成，并定位局部篡改区域。生成式编辑与整幅合成改变了可用取证痕迹，也扩展了检测方法的研究范围。本文梳理了2005年至2026年的代表性文献，按像素产生机制区分传统局部篡改、生成式局部编辑与全合成图像，整理其痕迹、数据集及评价指标；围绕传统取证线索、生成式伪造与多模态大模型3条研究路线，介绍代表方法的机制与适用条件，比较评测设置及传输退化下的性能。分析表明，图像级标签与像素级掩膜支持不同评测任务，部分数据集的真伪构成在各文献中记载不一；训练数据、监督方式、输入分辨率与阈值选取影响性能比较，部分设置差异还会改变方法排名。经典线索在生成式编辑中的有效性取决于背景保留、区域融合及后处理，生成器伪影、扩散反演残差与预训练特征提供了补充依据，但泛化能力仍受生成器和数据分布差异影响。多模态大模型引入自然语言解释，各方法对掩膜与来源归因的支持程度不同，解释的可读性与证据忠实性也需分别评价。压缩、缩放与噪声的影响与所用线索有关，训练数据和网络架构的作用尚需受控于实验区分。本文为取证依据选择、可比评测与实际部署提供参考。

Abstract:

以第三代音视频编码标准（Audio video coding standard 3，AVS3）为代表的现代视频编码标准显著提升了压缩效率，但传统优化范式仍高度依赖均方误差（Mean squared error，MSE），而MSE与人眼视觉系统（Human visual system，HVS）的感知特性相关性较弱。近年来，基于知识蒸馏的方法通过生成感知引导的量化参数（Quantization parameter，QP）映射，有效改善了压缩视频的视觉质量。然而，现有方法大多局限于全帧内编码配置，难以直接推广至同时包含帧内与帧间预测的实际视频编码场景。针对上述问题，本文提出一种轻量级的内容自适应QP决策方法。在编码流程之前部署视频内容预分析模块，利用预训练卷积神经网络（Convolutional neural network，CNN）提取输入视频的显著时空特征；随后，决策模型依据这些特征动态确定不同视频片段所适用的编码策略。实验结果表明，所提方法能够针对不同类型的视频内容选择更有效的编码策略。与AVS3基准编码器相比，该方法在多尺度结构相似性（Multi-scale structural similarity，MS-SSIM）评价指标下平均降低7.11%的Bj?ntegaard Delta码率（Bj?ntegaard Delta rate，BD-rate）。进一步将其集成至高度优化的AVS3内容感知编码器后，在基本保持峰值信噪比（Peak signal-to-noise ratio，PSNR）性能的同时，MS-SSIM BD-rate相对于共同的AVS3高性能模型（High performance model，HPM）12.0基准进一步改善4.79个百分点。需要指出的是，当前方法采用片段级二值门控，尚不支持帧/块粒度精细调控。

Abstract:

低空空地通信信道具有时变多径与视距/非视距分量动态切换特征，传统纯数据驱动联合信源信道编码方法缺乏无线信道先验信息，存在图像重建鲁棒性弱、训练易振荡和收敛效果差等问题。为此，本文提出一种模型-数据双驱动的端到端低空图像语义通信架构UP-WITT。该架构以低空时变信道时域基带传输模型为基础，采用双分支协同架构设计：数据驱动分支依托Swin Transformer构建编解码骨干网络，完成图像多尺度全局语义特征提取，并映射为满足传输规范的时域离散基带符号序列；模型驱动分支将投影梯度下降（Projected gradient descent， PGD）迭代求解过程展开为可学习网络层，搭建迭代步数可自定义的PGD重建模块。依托信道时域传输物理先验实现信道损伤迭代补偿，同时结合频域快速计算降低迭代复杂度，在当前实验条件下缓解了时变信道逆问题求解的病态程度。基于CIFAR数据集开展仿真测试，结果表明，相较于纯数据驱动基线模型，所提方法在不同信道带宽比（Channel bandwidth ratio， CBR）及信道环境下，峰值信噪比（Peak signal-to-noise ratio， PSNR）、多尺度结构相似性（Multi-scale structural similarity， MS-SSIM）均有明显提升，且表现出更平滑的训练收敛过程与更好的信道自适应能力，能够为低空场景可靠图像语义传输提供技术参考。

Abstract:

无人机航拍光伏板缺陷检测中，红外图像与可见光图像分别反映热异常和纹理结构信息，但局部模态错位、微小缺陷弱响应易衰减以及双模态模型推理开销较高等问题，仍制约检测性能与实际应用。本文提出基于特征增强的轻量级双模态缺陷检测器（Feature-enhanced lightweight dual-modal detector，FLD-DET）。以红外与可见光双模态检测框架为基础，FLD-DET在骨干特征提取过程中嵌入动态稀疏窗口（Dynamic sparse window，DSWin），通过局部卷积归纳、通道压缩和自适应注意力分配增强微小缺陷弱响应的保持能力。针对双模态特征之间的局部空间偏移问题，本文设计轻量级跨模态注意力机制（Lightweight cross-modal attention，LCoA），利用方向位置信息编码增强双模态特征的空间对应关系。在检测特征生成阶段，FLD-DET引入区域感知特征聚合（Regional-aware feature aggregation，RAFA）头，强化缺陷与背景之间的判别表达。实验结果表明，FLD-DET在航拍双模态光伏板缺陷数据集上实现了检测性能与推理效率的较好平衡，并在微小缺陷识别方面具有一定优势。FLD-DET在M3FD数据集上也取得了较优的检测结果，展现出一定的跨场景适用性。

Abstract:

目标检测是智慧口岸实现对通关人员行为识别的前置任务，为了解决快捷通道处排队拥挤、闸机设备等带来的遮挡导致现有模型检测精度下降，以及兼顾边缘设备要求等问题，提出了一种改进YOLOv12n的遮挡目标检测算法MSS-YOLO。首先，在主干网络中设计了自适应多尺度特征提取（Adaptive multi-scale feature extraction， AMFE）模块替换下采样模块扩大模型的感受野，并自适应加权关注关键人体特征区域，增强多尺度特征的提取能力缓解特征信息丢失和遮挡干扰的问题；其次，在颈部网络引入改进的特征增强模块A2C2f_SEAM，学习遮挡与未遮挡区域的关系，动态调节关注点；最后，将CIoU替换为Alpha-Shape IoU，通过引入幂次变换和几何约束，进一步优化边界框回归性能。本文分别在CrowdHuman实验子集和自采口岸快捷通道翻越行为数据集CBCD上进行实验验证。结果表明，相较于基线模型，本文提出的MSS-YOLO模型在两个数据集上的精确率分别提升了1.4和6.1个百分点，召回率分别提升了7.1和4.3个百分点，mAP@0.5分别提升了5.4和5.0个百分点，mAP@0.5：0.95分别提升了4.5和12.7个百分点，同时模型参数量减少了0.23×10?。MSS-YOLO在提升口岸通关场景下遮挡人员检测精度的同时保持了较小的参数规模，为后续端侧部署与优化提供了基础。

Abstract:

作为可信人工智能的核心支撑技术，机器学习模型的可解释性在自动化决策系统中扮演重要角色，其中显著性解释能够以热力图的形式直观揭示模型决策依据，已成为可解释人工智能的关键研究方向。然而，现有方法存在根本性缺陷：基于扰动的方法受限于人工设计的分布假设，计算效率与泛化能力难以兼顾；基于梯度的方法需要预设模型结构，无法解释黑盒模型；基于线性近似的方法因局部过度简化引入模型偏差。本文提出一种基于策略梯度的黑盒模型显著性解释方法Polixplain，将Deletion Score作为核心奖励信号，通过可导松弛技术嵌入策略梯度优化流程，实现忠实性目标的端到端优化。采用图像分类任务作为验证载体，其高维特征空间与可视化直观性为解释方法的多维度评估提供了理想测试环境。Polixplain方法在解释忠实性以及热力图的人类可理解性方面均超越了多种现有解释方法。

Abstract:

为提升单通道目标语音提取的性能，本文提出了一种基于深度学习的两阶段处理方法。该方法旨在解决现有判别模型过度优化客观指标而导致输出语音产生伪影、失真，进而损害主观听感的问题。本文创新性地引入扩散模型作为后处理优化模块，该模块基于随机微分方程（Stochastic differential equation，SDE）框架，对判别模型的初步输入进行再生式优化。这样不仅有效降低了错误提取，更显著增强了目标语音的自然度与谐波结构的清晰度。实验结果表明，在WSJ0-2mix-extr数据集上，所提方法在模拟主观听觉感知的非侵入式语音质量评估（Non-intrusive speech quality assessment， NISQA）指标上实现了11.18%的提升（从3.22增至3.58），显著改善了语音的主观质量与自然度。主观听测结果比较平均意见得分（Comparative mean opinion score， CMOS）进一步证实了该方法在提升语音清晰度与可懂度方面的有效性。

Abstract:

静息状态功能磁共振成像（Resting state functional magnetic resonance imaging， rs-fMRI）技术被广泛应用于脑疾病预测和诊断。研究人员提出了大量基于rs-fMRI功能连接网络的诊断方法，但这些方法存在未能充分考虑脑网络数据的复杂依赖关系、计算开销大等问题。为了解决上述问题，本文提出了一种基于双向选择性状态空间模型（State space model，SSM）框架的脑疾病诊断方法Bi-BrainSSM。该方法设计了注意力双向Mamba（Attentive bi-Mamba， ABM）模块，将多头注意力机制与双向选择性SSM相结合，以增强脑功能连接网络的表征能力、提升模型的计算效率。同时引入正交聚类读出，解决传统聚合方法信息丢失问题。本方法在公开的ABIDE自闭症数据集和REST-MDD抑郁症数据集上进行验证。实验结果表明，相比其他基于rs-fMRI的对比方法，Bi-BrainSSM获得了更精准的诊断性能，同时拥有更高的计算效率和更低的GPU显存占有率。

Abstract:

面向6G的超大规模多输入多输出（Extremely large-scale multiple-input multiple-output， XL-MIMO）通信系统，其近场效应使得传统基于远场平面波前模型的信道估计方法面临性能瓶颈。现有近场方案多依赖存在建模误差的菲涅尔近似，且普遍将信道估计与多用户激活检测分步处理，导致误差累积。为应对上述挑战，本文提出一种基于精确近场球面波信道模型的信道估计与多用户激活检测框架。该框架创新性地联合利用了XL-MIMO信道在极域与用户域的双重稀疏性，通过引入独立向量变分贝叶斯推断技术，将高维耦合的稀疏恢复问题解耦为各用户独立的稀疏恢复问题，从而实现了近场阵列流型与多用户导频的有效分离，额外引入的离网参数更新策略进一步规避了网格失配问题。仿真结果验证了所提方法在信道估计精度及用户激活检测性能方面的有效性与优越性。

Abstract:

基于稳态视觉诱发电位（Steady-state visual evoked potential， SSVEP）的脑机接口正在人机交互系统中快速发展，但短时间窗下的SSVEP信号分类依然存在精度低、特征提取不充分等问题。针对以上问题，本文提出了一种基于注意力机制的双通道多特征卷积神经网络（Attention enhancement-dual channel multi-feature convolutional neural network，AE-dCNN）。该网络首先利用通道注意力机制对不同通道的特征进行加权来增强有用信息的表示，然后通过两个并行的通道分别提取信号的时域和频域特征，最后将特征融合后进行分类。在公共和自建数据集上进行了跨被试和受试者独立实验，结果表明，本文提出的AE-dCNN模型在跨被试实验中达到了最高94.38%的准确率，在受试者独立实验中达到92.36%的准确率。同时，本文还探究了KAN（Kolmogorov-Arnold network）结构在脑电信息处理领域的应用，结果表明KAN模型比多层感知机（Multilayer perceptron， MLP）模型在多数时间窗下有更高的准确率。

Abstract:

针对细胞显微注射过程中细胞与注射器针尖尺度差异大、传统方法难以同时实现高精度检测与高效推理的问题，本文提出一种面向细胞与注射器实例分割的多分支高效轻量化细节增强模型（Diverse efficient lightweight detail-enhanced YOLO， DELD-YOLO）。该模型基于YOLO11架构，在主干网络中引入结构重参数化的多样性分支块以增强特征表达能力；设计了一种轻量化多尺度特征金字塔结构以提升跨尺度特征融合效果；同时构建了基于细节增强卷积的轻量化分割头，在保证分割精度的同时显著降低计算开销。实验结果表明，DELD-YOLO在细胞与注射器分割任务中均优于原始YOLO11模型，在交并比（Intersection over union， IoU）阈值为0.5：0.95条件下，细胞与注射器的平均精度分别达到98.7%和75.2%。此外，模型参数量仅为2.08×10⁶，计算量为10.0×10⁹ FLOPs，具有良好的精度和效率平衡，适用于自动化细胞注射及嵌入式视觉应用场景。

Abstract:

受到医学伦理、录制条件、受试者配合程度和标注成本等因素的影响，高质量的帕金森病（Parkinson’s disease， PD）语音标注数据比较稀缺，这在一定程度上制约了监督学习方法在基于语音的帕金森病检测中的应用。尽管可以通过跨语种检测和多类型语料的使用来克服上述问题，但是已有研究大多采用同质语料对齐策略，忽视了自然语境中语音表达的复杂性与多样性，难以充分提取帕金森病的深层病理特征。为此，本文提出一种持续自监督的跨语种帕金森病检测方法，以期在充分利用语音数据资源开展帕金森病检测的同时，避免费时费力的人工标注。首先，基于多类型源语种语音数据，采用顺序微调策略对自监督特征提取模型的顶层进行适应性训练。为防止语料冲突与遗忘问题，引入持续学习重演缓冲区和特征蒸馏机制，在增强自监督特征提取模型可塑性的同时提升其对旧知识的保留能力。最后，将该模型迁移至目标语种，借助自监督模型对“语种无关”特征的建模能力，实现跨语种场景下帕金森病的有效识别。在意大利语和汉语帕金森病数据集上的实验结果表明，所提方法提取的特征更具判别力，在跨语种帕金森病检测中的分类精度与泛化能力均优于已有方案。

Abstract:

针对高空平台（High altitude platform， HAP）通信系统，本文基于随机网络演算（Stochastic network calculus， SNC）理论分析了空分多址接入（Space division multiple access， SDMA）和非正交多址接入（Non-orthogonal multiple access， NOMA）有机融合方案下的无线传输性能。首先，在仅已知用户位置信息的条件下，提出基于K-means聚类算法的用户分簇算法。接着，在HAP配置天线阵的场景下，提出簇间用户采用SDMA技术，而每簇内用户采用功率域NOMA技术的混合多址传输方案。进一步，在高空平台-用户链路服从Nakagami-m分布的情况下，基于SNC理论分别推导出连续消除干扰（Successive interference cancellation， SIC）和联合解码（Joint decoding， JD）两种解码方案下的系统时延违反概率上界和有效容量的闭合表达式。最后，计算机仿真验证了理论分析的正确性，并揭示了JD解码方案相比于SIC在降低系统时延和提升有效容量方面的优越性。

Abstract:

深度学习技术目前已经广泛应用于医学图像分割领域，然而，膀胱图像的精准分割依然面临挑战。本文针对膀胱磁共振成像（Magnetic resonance imaging， MRI）图像分割问题，提出了一种基于特征融合以及注意力机制的改进算法，记作MIV-Net。该算法通过引入多尺度核心特征融合器（Multi-scale core feature fusionizer，MCF）来增强模型图像特征提取能力，并引入视觉特征解析与转换（Vision Transformer，VIT）网络来优化全局信息处理能力。此外，在解码过程中通过多层次注意力融合（Multi-level attention fusion，MAF）模块来增强对上下文信息的利用。实验结果表明，MIV-Net模型在膀胱壁和膀胱肿瘤的分割中展现出优异的性能，其IoU、Precision和Dice系数等关键评价指标均显著超越当前主流方法，在两个分割任务上分别达到83.16%、91.66%和90.81%以及82.49%、90.50%和90.40%。该模型不仅在技术上具有创新性，更在实际应用中有望显著提升膀胱癌诊断的准确性。

Abstract:

为解决细胞穿刺机构在宏微复合驱动下，由压电迟滞、机械摩擦与传动间隙等强非线性耦合导致的定位精度低、鲁棒性差的难题，提出一种自适应快速非奇异终端滑模（Fast non-singular terminal sliding mode， FNTSM）控制策略，以摆脱对精确动力学模型的依赖，实现跨尺度精密运动控制。首先，建立考虑迟滞、摩擦等不确定性扰动的压电驱动细胞穿刺机构动力学模型。其次，为突破传统滑模控制对扰动上界先验知识的依赖和抖振问题，设计了一种融合时延估计技术与自适应增益调节的FNTSM控制器。该控制器利用时延估计（Time delay estimation， TDE）在线估计并补偿系统集总扰动，通过FNTSM保证系统状态在有限时间内收敛；同时，引入比例-积分-微分（Proportional-integral- derivative， PID）型滑模面并设计自适应律动态调整滑模面参数，增强了系统对摩擦系数时变、负载突变等强时变扰动的抑制能力与响应速度。实验结果表明，在对正弦轨迹的跟踪中，该控制器的均方根误差百分比为1.39%，最大跟踪误差百分比为4.79%，相较于传统PIDSM控制器，最大跟踪误差百分比降低50.9%；在与近年提出的PIDSMC-RBF先进控制器的对比中，最大跟踪误差百分比降低9.28%。该控制器有效提升了细胞穿刺机构在跨尺度运动下的轨迹跟踪精度，为显微操作提供了可靠技术方案。

Abstract:

传统基于密度的带噪声应用空间聚类（Density-based spatial clustering of applications with noise， DBSCAN）算法难以分辨复杂场景，尤其当两车邻近或人车邻近时，易引发目标边界模糊、分离困难及噪声归属错误等问题。为有效解决这些问题，本文提出一种结合自适应网格化和速度信息后处理的DBSCAN算法。首先，使用对数变换对原始数据进行预处理；其次，采用极坐标网格化DBSCAN结合动态椭圆邻域，有效克服传统算法的空间失真局限；接着，利用多普勒速度统计特性，依据速度一致性准则精准剔除异常噪声点；然后，构建空间-速度双重相似性度量机制，实现噪声点的重归属；最后，提出基于速度差异和运动方向差异的聚类分裂策略，解决混合目标的重叠分离问题。实验结果表明，相比传统DBSCAN算法，本文算法在聚类准确率和噪声抑制率方面均有显著提高，为复杂环境下毫米波雷达点云处理提供了高效可靠的解决方案。

Abstract:

针对6G通信向超大阵列天线发展所带来的近场效应日益显著的问题，本文研究了一种夹子天线系统（Pinching antenna system， PASS）辅助的多输入单输出非正交多址接入（Multi-input single-output non-orthogonal multiple access， MISO-NOMA）隐蔽通信系统。该研究旨在解决传统柔性天线在复杂无线环境下信号覆盖能力与部署灵活性不足的问题。通过创新性地在介质波导上部署可动态调整位置的夹子天线（Pinching antenna， PA），系统能够有效利用近场球面波模型的波束聚焦特性。本文提出一种高效的交替优化（Alternating optimization， AO）算法，对发射功率分配、波束成形矢量及PA位置进行联合优化。通过推导闭式功率解、引入惩罚项处理波束成形秩一约束，并采用粒子群算法定位PA最优位置。数值仿真结果表明，所提方案在28 GHz毫米波频段下能显著提升系统性能，隐蔽通信速率突破45 bit/（Hz·s）瓶颈，较传统方案明显提升，验证了PASS技术在近场隐蔽通信中的有效性与优越性。

Abstract:

脑电（Electroencephalogram，EEG）情绪识别是新一代人机交互与脑机接口（Brain-computer interface，BCI）系统中的关键技术，在国家脑科学战略与智能医疗等领域具有重要应用前景。然而，EEG信号固有的非平稳性、低信噪比以及医学样本稀缺性，使得现有深度学习方法在真实应用场景下面临显著挑战。现有主流方法通常采用在原始单通道信号上直接进行频域特征提取的策略，该过程不仅容易将高频噪声误判为有效特征，还忽视了大脑不同功能区之间的空间协同机制，导致模型泛化能力受限。针对上述问题，本文提出了一种协同聚合优先的端到端脑电情绪识别框架，构建了基于聚合卷积的协同频域特征提取网络（Synergy-frequency aggregation network，SFAN）。该方法突破传统“先频域提取、后空间融合”的处理范式，首先通过协同聚合卷积模块对多通道EEG信号进行自适应加权融合，模拟脑区间的动态协同关系，生成高鲁棒性的协同表征；随后在此基础上进行频域特征提取与深度时空建模。该策略在频域分析前有效抑制了通道级噪声，并通过多样化的聚合模式显著丰富特征空间，从而缓解了小样本条件下的过拟合问题。在SEED-Ⅳ数据集上取得了97.42%的分类准确率，在SEED-Ⅴ数据集上取得了94.91%的分类准确率，实验结果表明，所提出的方法在跨被试与跨会话情绪识别任务中均取得了优于现有方法的分类性能，验证了在频域分析前引入脑区协同建模对于提升EEG情绪识别鲁棒性的有效性。

Abstract:

5G风筝专网作为6G场景化移动通信的核心理念，致力于应对电力行业中终端高频移动、拓扑动态重构与业务低时延保障等实际问题。为解决5G风筝专网在高移动性与弹性拓扑环境中面临的安全态势感知精度不足及适应性较弱的问题，本文提出一种基于时空双模态的电力网络弹性安全态势感知方法。通过采集核心特征数据，构建多源输入向量；采用长短期记忆（Long short-term memory， LSTM）网络进行时序异常检测，并结合孤立森林算法识别空间异常，以此融合生成增强特征矩阵。进一步引入二分K-means聚类算法与动态权重调整机制，通过自适应优化特征权重，实现对稳定、脆弱和威胁三级安全态势的精确划分。最后借助加权主成分分析实现降维可视化。仿真实验结果表明，该方法能够有效响应网络状态变化，在不同场景下的态势判别准确率得到提升，为5G风筝专网的安全运维提供了可靠支撑。