航空图像复原作为低层视觉任务的重要研究方向，对于提升遥感监测与空天信息处理的精度具有重要意义。针对航空图像中普遍存在的噪声、模糊、低光及多退化耦合等问题，本文系统综述了近年来图像复原技术的研究进展。首先，从传统方法与深度学习方法两个层面，梳理了典型单一退化复原技术的发展脉络；进一步，围绕统一建模思想，总结了多退化联合建模方法，包括基于多退化建模、提示学习以及动态路由与专家模型的复原框架。在此基础上，重点分析了大模型驱动的图像复原方法，从视觉基础模型、多模态大模型以及基于智能体的复原方法3个方面展开讨论。视觉基础模型通过大规模预训练提供统一特征表示，多模态大模型通过跨模态语义建模提升复杂场景理解能力，而智能体方法则通过引入决策机制实现复原过程的动态优化。同时，本文进一步归纳了现有方法在多退化耦合建模、语义信息利用以及动态自适应机制等方面面临的关键挑战。最后，结合航空图像的应用特点，对未来发展方向进行了展望，包括多源数据构建、统一表征学习、多模态协同建模及智能化复原系统设计等。本文系统梳理了大模型驱动下航空图像复原的方法体系，并归纳出多退化耦合、语义—视觉协同、物理先验融合与动态决策优化等核心问题，可为后续航空图像智能复原研究提供系统性参考与发展思路。本文提及的数据集已汇总至https://github.com/MengmengZheng/Aerial-Image-Restoration-Datasets。

随着无人机与机载遥感技术的快速发展，航空光谱成像在农业、环境监测及军事侦察等领域发挥着越来越重要的作用。相比卫星遥感，航空平台具有更高空间分辨率、更强机动性和更短重访周期，使其成为精细化观测的重要手段。然而，航空光谱数据具有高维、强相关和噪声复杂等特点，传统处理方法难以充分挖掘其潜在信息。本文系统梳理了航空光谱图像智能处理技术的发展脉络，重点分析深度学习与机器学习方法，涵盖光谱—空间特征提取、分类、分割、目标检测、变化检测及光谱解混等关键技术；总结多光谱与高光谱协同处理在精准农业、环境灾害监测、军事侦察以及地质勘探等场景的应用进展；深入剖析当前面临的数据稀缺与标注困难、模型泛化能力不足、实时处理约束、鲁棒性欠缺及空天地协同困难等核心挑战；围绕遥感基础模型、自监督学习、边缘智能、物理信息驱动模型以及空天地一体化协同等方向展望未来趋势。本文可为航空光谱图像智能处理领域的研究与工程应用提供系统性的参考与理论指导。本文提及的数据集已汇总至https://github.com/zhaoxb2025/Airb-spe-Img。

航空遥感目标检测在国土资源调查、灾害监测、交通监管和军事侦察等领域具有重要应用价值。然而，真实航空遥感场景中常同时存在目标域标注样本稀缺和源域与目标域分布差异显著的问题，导致传统依赖大规模同分布标注数据的检测方法难以获得稳定性能。跨域少样本目标检测（cross-domain few-shot object detection，CD-FSOD）期望在目标域仅有少量标注样本且存在明显域偏移的条件下实现对目标域目标的有效分类与定位，已成为航空遥感智能解译中的重要研究方向。本文围绕航空遥感场景下的CD-FSOD问题，梳理其基本定义、任务边界及其与少样本目标检测、跨域目标检测和遥感目标检测等相关任务的区别，并分析航空遥感场景中由成像平台、传感器类型、空间分辨率、地理区域、环境条件及目标分布差异所引起的复杂域偏移表现。在此基础上，对现有代表性方法进行分类综述，重点总结基于迁移与域对齐、基于元学习与度量学习、基于生成式数据增强与扩充、基于视觉语言对齐以及基于大模型的方法特点与研究进展。同时，归纳相关数据集、任务设置、常用评测指标及航空遥感目标检测的特殊性，并进一步讨论复杂域偏移统一建模、少样本条件下检测稳定性、数据集与真实应用脱节、多源异构数据适配以及大模型迁移等方面的主要问题与发展趋势。总体来看，CD-FSOD正由单一迁移或少样本学习策略，逐步发展为融合域适应、特征增强、语义建模和基础模型迁移的综合性研究方向。随着遥感专用数据资源的丰富和多模态基础模型的发展，该方向有望为航空遥感智能感知提供更高效、更稳健的技术支撑。本文同步汇总代表性算法在航空遥感跨域少样本情境下的性能表现，并给出所涉及数据集、算法的开放资源访问链接：https://github.com/Farenweh/CD-FSOD-Links(Github)或https://gitee.com/cby1241385936/cd-fsod-links(Gitee)。

随着传感器网络、信息感知方式及大数据处理技术的飞速发展，面对来自于不同类型、不同特性和不同感知方式的信息，及其呈现出的多域、多模态、模糊化以及数据关联不完备特点，多模态信息融合技术以其类人式自动感知与强大的综合推理能力的优势受到越来越多的关注。本文首先介绍了多模态信息融合的意义和必要性，进而，在融合架构层面梳理了从早期融合、晚期融合到混合融合的演进脉络，揭示了各架构在信息保留与计算效率间的权衡关系。同时，详细阐述了基于注意力的交互建模、基于对比学习的语义对齐以及以大语言模型为载体的生成式融合3种前沿多模态融合方式。继而，介绍了COCO （common objects in context）、LAION-400M（large-scale artificial intelligence open network-400M）、Visual Genome、MS COCO Captions、Conceptual Captions、Flickr30k数据集和航空相关数据集等典型多模态数据集及相应应用领域。并且，进一步探讨了多模态融合在包括战场态势感知、多源情报分析与无人系统协同的典型军事领域应用。此外，指出随着对比学习和多模态预训练的成熟，高质量的单模态表示已不再是瓶颈，研究焦点由早期如何将异质模态映射到统一空间，转向于如何在表示对齐的基础上设计能够捕捉模态间复杂、动态，甚至矛盾关系的交互机制，并基于融合架构、融合模型和计算成本给出多模态信息融合的3个发展方向。

开放词汇语义分割旨在突破传统闭集语义分割对固定类别集合的依赖，使模型能够根据开放类别文本描述实现任意语义目标的像素级识别与分割。以CLIP（contrastive language-image pre-training）为代表的视觉—语言预训练模型虽然为开放类别理解提供了重要支撑，但其侧重于图像级语义对齐，难以满足像素级密集预测对精确定位与细粒度表达的需求。因此，如何实现图像级开放识别能力向像素级精细分割的有效迁移，仍是该领域面临的关键问题。本文对开放词汇语义分割的研究进展进行系统梳理与分析。首先，介绍该任务的研究背景与技术基础，并梳理其与传统语义分割、零样本语义分割之间的演进关系；其次，围绕零样本语义分割、图文监督早期探索、双阶段方法和单阶段方法等主要研究路线，归纳代表性方法的基本思想、技术特点与局限性，并进一步讨论其在遥感图像场景中的拓展应用；再次，总结常用数据集与评价指标，分析现有评测体系的特点与不足；最后，结合当前研究瓶颈，对该领域未来发展方向与研究趋势进行展望。本文可为开放词汇语义分割领域的研究脉络梳理、方法体系比较及后续研究探索提供参考。