图像处理与分析是军事国防、公共安全、医学健康、智慧城市和生态环保等众多领域的关键技术。深度学习的发展推动了图像处理与分析技术在这些领域的应用，但深度学习方法的性能极大程度依赖于图像信号的质量及数据规模。关键应用中优质海量数据常难以获取、特殊场景下数据标记成本高昂、样本不完备性及非确定性渐成常态等，上述障碍和挑战极大影响了深度学习在这些方面应用的有效性，桎梏着深度学习向更多更广领域的推广。因此，在深度学习基础上探索数据受限下的图像处理分析理论与方法，以应对未来面临的数据维度潜在挑战，已成为图像处理与分析领域各国竞争的下一步热点和焦点。

为进一步促进我国关键行业中图像处理与分析理论技术的发展，及时反映我国学者在相关领域的最新研究进展，《中国图象图形学报》邀请国内多位一线专家共同策划推出“图像数据受限”专栏，以期为图像数据小样本、弱标记、不完备、非确定等相关问题的研究人员提供参考。

经过严格评审，“图像数据受限”专栏共收录学术论文4篇，其中：

《数据受限条件下的多模态处理技术综述》立足于数据受限条件下的多模态学习方法，根据样本数量、标注信息、样本质量等不同维度，将计算机视觉领域中的多模态数据受限方法分为小样本学习、缺乏强监督标注信息、主动学习、数据去噪和数据增强5个方向，详细阐述了各类方法的样本特点和模型方法的最新进展。并介绍了数据受限前提下的多模态学习方法使用的数据集及其应用方向(包括人体姿态估计、行人重识别等)，比对分析了现有算法的优缺点以及未来的发展方向，对该领域的发展具有积极的意义。

《图像数据受限下的处理与分析》指出，对受限图像数据进行处理和分析存在以下挑战：受限下的图像数据统计一致性弱，难以体现可信且鲁棒的集中优势；遮挡、伪装等情况导致样本信息乃至维度都具有不完整性或非确定性，以模糊数学为基础的系列处理方法导致计算量剧增；受限图像数据的处理和分析基本属于不可逆的逆问题，其解空间一般为高维子空间，如何可信鲁棒地确定空间中的解，目前尚无有效可行的通用理论和方法；采用隶属度为测度的系列方法需紧密依赖融入先验知识构造的代价函数。为促进受限图像数据的研究，论文梳理了对其处理和分析的机理、方法、手段以及遇到的困难，提出了可能的突破方法，以及催生的研究范式改变，以期吸引更多学者从事该研究。

《面向跨模态行人重识别的单模态自监督信息挖掘》研究如何利用易于获得的有标注可见光图像辅助数据进行单模态自监督信息的挖掘，从而提供先验知识引导跨模态匹配模型的学习。提出的单模态跨光谱自监督信息挖掘方法在SYSU-MM01、RGBNT201和RegDB数据集上取得了有竞争力的结果。

《小样本条件下的RGB-D显著性物体检测》尝试将小样本学习方法用于RGB-D显著性物体检测，探究并利用两种不同小样本学习方法迁移额外的RGB图像知识，通过大量实验验证了引入小样本学习来提升RGB-D显著性物体检测性能的可行性和有效性，对后续将小样本学习引入其他多模态检测任务也提供了一定启示。

我们期待广大读者和科技人员通过“图像数据受限”专栏，能够更深入、更全面地了解该领域的最新方法和应用，吸引更多学者从事相关研究并产生具有国际影响力的优秀成果，为本领域的发展做出新的贡献。

专刊编委会:

刘怡光，四川大学教授，主要研究方向为信息探测与智能感知。

孙显，中国科学院空天信息创新研究院研究员，主要研究方向为计算机视觉与遥感图像理解。

赵启军，四川大学教授，主要研究方向为模式识别、机器视觉。

魏秀参，南京理工大学教授，主要研究方向为计算机视觉和机器学习。

王琦，西北工业大学教授，主要研究方向为计算机视觉与模式识别。

专刊责编：

陈秀妍，编辑，主要研究方向为学术出版和媒体传播。E-mail：chenxy@aircas.ac.cn