随着深度传感器技术的迅速发展和激光扫描仪的广泛应用，三维点云数据在自动驾驶、机器人技术、地理信息系统以及制造业等多个领域发挥着关键作用。本文从多个视角出发，对点云场景分割技术进行详尽的综述。1）介绍本领域的常用数据集、采样方法及点云特征提取技术；2）系统性地概述点云场景的语义分割研究方法，涵盖基于点的方法，分为基于MLP（multilayer perceptron）的方法、基于Transformer的方法、基于图卷积的方法和其他方法；基于体素的方法，基于视图的方法以及基于多模态融合方法。3）对上述各种方法的研究成果进行汇总与比较；4）指出当前面临的主要挑战，并探讨未来可能的研究方向。

深度伪造技术是一种基于深度学习的合成技术，旨在生成高度逼真的合成图像、音频或视频，包括人脸伪造、声音模仿和人体姿态合成等内容。其中，人脸深度伪造可以实现非常逼真的换脸效果，广泛应用于电影、动画制作等领域。然而，该技术的滥用导致不雅视频与虚假新闻的传播，带来了恶劣的社会影响。为应对这些负面影响，众多学者提出一系列检测方法，以有效识别伪造人脸图像或视频。然而，当前的检测方法类型多样、优缺点各异，且应用场景各不相同，鉴于此，本文对相关研究进行了系统的归纳与整理。首先，整理了人脸深度伪造检测常用数据集与评价指标；其次，从图像级伪造人脸检测与视频级伪造人脸检测两个领域出发，根据特征选择的不同，将前者划分为基于空间域和基于频率域的检测方法，将后者划分为基于时空不一致、基于生物特征和基于多模态的检测方法，并详细总结了各类方法的原理、优缺点及发展趋势，特别地，考虑到文本生成图像/视频的流行以及生成式人工智能在多模态创作上的显著进步，综述了针对文本生成图像/视频的检测方法和基于多模态的检测方法；最后，梳理了人脸深度伪造检测领域的研究现状及瓶颈，并对未来的研究与发展方向进行了探讨。

目的由于传感器质量和环境因素的影响，点云数据可能受到噪声的干扰。而这些噪声会对后续的点云应用产生不利影响。因此，去除噪声成为一项基本的3D视觉任务。目前，基于深度学习的方法通常是通过训练神经网络来预测点的位移，然后将有噪声的点移到下面的干净表面上。然而这类算法或者迭代时间较长，或者在将点位移到干净表面上时会出现收敛过度或位移较大偏差的问题，影响了去噪的性能。为了提高去噪精度和去噪速度，本文提出基于外部迭代分数模型的点云去噪。方法首先将输入的噪声点云进行切块，然后输入到特征提取模块。之后，通过分数估计单元计算点的分数（即预测点云去噪过程中的梯度），在这里加入动量梯度上升动态修正梯度，减少更新步长，加快去噪速度。最后，将去噪好的部分拼接在一起，组成一个完整点云，再将去噪一次后的点云重新作为噪声点云进行输入，重复上述操作构成外部迭代。结果在实验中，将所提模型与先进的7种方法在3个数据集上进行对比。在PU（point cloud upsampling）数据集（10 K和50 K点云）中，针对1%、2%、3%噪声，所提模型在CD（chamfer distance）和P2M（point-to-mesh distance）指标上均优于性能排名第2的模型，表现为指标值的降低。在PC（PCNet）数据集（10 K和50 K点云）中，针对3%噪声的实验表明，所提模型在泛化性上表现突出，与性能排名第2的模型相比，CD和P2M指标值显著降低。在RueMadame数据集中进行场景去噪对比实验，从视觉效果可以直观观察到所提方法具有较强的去噪性能。此外，比较了去噪时间，与性能排名第3的模型相比，去噪时间减少了近30%，与性能排名第2的模型接近。结论本文所提出的点云去噪模型，相比于其他方法有更好的去噪精度和更快的去噪速度。

目的图标自动生成可以提高软件图形用户界面设计的效率，现有的图标自动生成方法存在多样性不足、生成过程复杂以及输入要求较高等问题，限制了生成结果的自由度和创新性。本文提出一种基于Transformer的高效且灵活的图标生成方法，该方法只需提供任意一对内容图标和风格图标，即可生成一幅新的具有特定风格的图标图像。方法提出一个图标生成模型IconFormer，网络结构中包括一个VGG（Visual Geometry Group）特征编码器、一个基于卷积神经网络（convolutional neural network，CNN）的风格编码器、一个Transformer多层解码器和一个CNN解码器，并用内容损失、风格损失、一致性损失和梯度损失组成的综合损失来优化网络模型。结果为了评估所提出的图标生成模型，构建了包含43 741个图标样本的数据集，在该数据集上对IconFormer模型进行训练和评估，并在相同条件下与先进的相关方法进行对比和分析。评估结果表明，本文的IconFormer生成的图标在颜色和结构上更为完整，而其他相关方法则一定程度出现了内容缺失、风格化不足和背景着色的情况，IconFormer在内容差异和梯度分数等量化指标上也明显优于其他模型。消融实验进一步表明了本文所构建的IconFormer模型各个创新点对图标生成过程所起的正向作用。结论所提出的图标生成模型IconFormer，结合了卷积神经网络和Transformer模型的优点，可以快速高效地生成具有不同风格的高质量图标。

目的在目标检测领域，深度学习模型已经取得巨大成功。但是已有的基于深度学习的目标检测算法在小物体目标检测中仍然困难重重，原因在于航拍图像多是更复杂的高分辨率场景，其中一些常见问题，如稠密度高、不固定的拍摄角度、目标物体尺寸小和高变异性等给现有目标检测方法带来巨大挑战。切片策略是近年来用于高分辨率图像小目标检测任务的众多优秀方法之一，然而现有的切片方法存在冗余计算问题，因此提出一种新的自适应切片方法，称为自适应切片辅助超推断（adaptive slicing-assisted hyper inference，ASAHI）。方法该方法关注切片数量而非传统的切片大小，可以根据图像分辨率自适应调整切片数量以消除冗余计算带来的性能损耗。在推理阶段，首先根据ASAHI算法将输入图像分割为6或12个重叠的块；之后对每个图像块进行插值处理以保持长宽比；接下来考虑到小块切片在检测大物体时的明显缺陷，分别对切片图像块和完整输入图像进行目标检测前向计算；最后为了提高高密度场景下推理的准确性和检测速度，后处理阶段集成了一种更快和更高效的Cluster-NMS（non-maximum suppression）方法和DIoU（distance- intersection over union）惩罚项，即Cluster-DIoU-NMS（CDN），将ASAHI推理和全图推理结果进行合并，再转回原始图像尺寸。为了支持切片图像块的推理，本文在训练阶段构建的数据集也包括切片图像块。结果在广泛的实验中，ASAHI在VisDrone（vision meets drones）和xView数据集上表现出具有竞争力的性能。结果显示，与现有切片方法相比，本文方法将IoU值为0.5时的平均精确率均值（mean average precision，mAP）mAP50提高1.7%，计算时间减少20%～25%；在VisDrone2019-DET-val（vision meets drones 2019 for detection for validation）数据集上，mAP50的结果提高到56.8%。结论本文方法可以有效处理高分辨率场景下小物体稠密度高、拍摄角度不同以及变异性高等复杂的因素，实现高质量的小物体目标检测。

目的户型平面图的矢量化是一项关键技术，用于从户型平面点阵图中提取精确的结构信息，广泛应用于建筑装修、家居设计以及场景理解等领域。现有方法通常采用两阶段流程：第1阶段利用深度神经网络提取户型区域的掩膜，第2阶段通过后处理步骤从掩膜轮廓中提取墙体的矢量信息。然而，这种方法存在误差累积问题，后处理算法难以保证鲁棒性。为了解决上述问题，提出一种基于引导集扩散模型的户型平面图矢量重建算法。方法该算法通过将目标检测或实例分割方法中获得的粗糙轮廓输入扩散模型，逐步迭代轮廓点进行重建。此外，还引入了一种轮廓倾斜度损失函数，以帮助网络生成更规整的房间布局，从而进一步提升矢量化结果的准确性。结果在公开的CubiCase5K数据集上，对提出的算法进行广泛测试。实验结果表明，在不同的输入条件下，该算法均能有效优化房间轮廓的精度，显著提高墙线矢量化的提取精度。结论所提出的基于引导集扩散模型的矢量重建算法，通过解决传统方法中的误差累积问题，实现了室内户型平面图中墙体矢量化的精度提升。这一改进为建筑与家居设计等领域的应用提供了更为可靠的技术支持。