目的针对夜间缺乏太阳短波辐射导致气象卫星可见光与近红外（visible and near-infrared， VIS-NIR）波段观测缺失、相关遥感产品难以连续获取的问题，以构建面向夜间缺失波段信息补全的大规模数据集为主要目标，同时解决相关研究生成光谱波段覆盖不足与公开可用的夜间缺失波段信息补全数据集稀缺问题。方法基于Himawari-8/9多波段观测数据，构建包含多波段红外亮温观测（multi-band infrared brightness temperature， MIBT）、VIS-NIR、观测几何角度和水陆掩膜信息的VIS-NIR-70K数据集，并选取代表性生成模型进行定量与定性评估。结果实验表明，MIBT能够为补全VIS-NIR缺失信息提供有效条件。扩散模型的生成性能优于基于生成对抗网络（generative adversarial network， GAN）的模型，其中，原始图像空间扩散模型在结构保持、纹理细节和分布一致性方面表现更优，多波段VIS-NIR的平均结构相似性指数（structural similarity index measure， SSIM）提升至0.864。同时，其在真彩色（true-color imagery， TCI）观测生成、低云区域、台风场景和夜间全图补全中展现出较好的重建性能，TCI波段的平均SSIM提升至0.881。结论VIS-NIR-70K缓解了夜间卫星缺失波段信息补全领域的数据资源不足，为全天时地气系统观测和生成式遥感研究提供了数据基础。完整的MIBT多波段是VIS-NIR生成质量的关键信息来源，卫星天顶角（satellite zenith angle， SAZ）与水陆掩膜信息（land-sea mask， Landsea）组合可以提高生成结果的稳定性。数据集链接：（ScienceDB：https：//doi.org/10.57760/sciencedb.j00240.00227）.

目的高效立体匹配需要兼顾匹配精度与推理效率，而低维代价体压缩容易削弱复杂区域的匹配判别能力。针对弱纹理、遮挡和目标边界等区域的视差估计不稳定问题，本文提出一种基于低维代价体反馈修正的快速迭代立体匹配方法FLISNet（Fast Iterative Stereo Matching with Low-Dimensional Cost Volume Feedback Correction，FLISNet），以提升匹配稳定性与细节恢复能力。方法首先，采用共享权重的特征提取网络获得多尺度匹配特征和上下文特征。随后，通过低维特征投影，通道注意力加权和分组相关计算构建紧凑代价表征，在降低代价体规模的同时保留有效匹配响应。在此基础上，设计反馈递归修正机制，将中间视差估计编码为空间反馈特征，并以残差调制方式对低维代价体进行自适应更新，使当前预测结果参与后续代价修正。其中，FLISNet和FLISNet+分别采用8次和18次反馈递归修正，对应标准设置和精度增强设置。最后，构建多尺度结构补偿模块，融合多尺度上下文特征与门控残差信息，采用由粗到细的级联补偿策略逐步恢复高分辨率视差细节。结果在多类公开立体匹配数据集上的实验结果表明，FLISNet在保持较低推理耗时的同时获得了具有竞争力的匹配精度。标准版本FLISNet在Scene Flow上取得0.68px的EPE和32ms的推理耗时，达到与CoEx相近的精度水平。进一步增加反馈递归修正次数后，FLISNet+将Scene Flow上的EPE降至0.56 px，较Fast-ACVNet+和LightStereo分别降低5.1%和6.7%。在KITTI真实道路场景中，FLISNet+相比LBSM-L-Refine分别降低26.6%和26.2%的主要误差指标，说明增强版本能够进一步改善道路场景中的视差估计效果。在ETH3D数据集上，FLISNet+的Bad2.0误差为0.54%，低于所列对比方法。零样本实验结果表明，FLISNet在未进行目标域微调的情况下仍能保持较稳定的匹配性能，具有一定的跨域适应能力。结论本文方法通过紧凑代价表征，反馈递归修正和多尺度结构补偿，缓解了低维代价体条件下匹配判别能力不足和复杂区域细节恢复不足的问题，在保持较低推理耗时的同时获得了具有竞争力的匹配精度，为快速立体匹配任务提供了一种有效方案。

目的扩散反演超分辨率（diffusion inversion super-resolution，InvSR）能够通过估计扩散中间状态所需噪声，以较少反向采样步数完成图像重建，但原始噪声预测网络在高分辨率特征压缩阶段缺少对局部边缘和细粒度纹理的显式保持，瓶颈层尚未协同建模跨区域结构上下文与局部纹理连续性，固定采样路径也难以适配不同退化输入。为提高扩散反演超分辨率模型的细节保真能力和采样路径适配能力，提出一种面向InvSR的细节保真噪声预测与采样路径自调度方法。方法以InvSR模型为基线，从噪声预测网络和采样策略两方面进行改进。首先，设计高频保持下采样模块（high-frequency preserving downsampling module，HPDM），在高分辨率阶段引入多尺度深度卷积编码和邻域重排下采样，使特征压缩过程尽量保留边缘响应和邻域细节。其次，在瓶颈层引入结构纹理双分支融合模块（structure-texture dual-branch fusion module，STDFM），分别建模长程结构依赖和局部纹理连续性，并通过门控机制融合两类特征。最后，构建采样路径预测模块（sampling path prediction module，SPPM），利用离线恢复效用生成路径标签，训练轻量级卷积神经网络根据输入低质量图像预测时间步组合，实现输入相关的反向扩散推理。结果在ImageNet-Test数据集上，与InvSR-1相比，本文方法的SSIM（structural similarity index measure）由0.6789提高至0.6808，NIQE（natural image quality evaluator）由4.3815降低至4.0004，PI（perceptual index）由3.0866降低至2.9565，CLIP-IQA（contrastive language-image pre-training based image quality assessment）由0.7093提高至0.7274，其中NIQE和PI在所比较方法中取得最优结果；模型参数量由33.84 M降低至28.47 M，减少约15.9%。与此同时，PSNR（peak signal-to-noise ratio）由24.14 dB降至23.65 dB，LPIPS（learned perceptual image patch similarity）由0.2517升至0.2634，表明不同质量指标之间仍存在一定权衡。在RealSR（real-world super-resolution）数据集上，本文方法的PSNR由24.50 dB提高至24.71 dB，NIQE和PI分别由4.2189、3.7779降低至3.9566、3.6148，CLIP-IQA由0.6918提高至0.6966；在RealSet80数据集上，NIQE和PI分别由4.0284、3.4666降低至3.8938、3.4479，但CLIP-IQA和MUSIQ（multi-scale image quality transformer）未优于InvSR-1。结论所提方法在不改变InvSR主体扩散反演流程的基础上，通过高分辨率细节保真压缩、瓶颈层结构纹理协同建模和采样路径自调度，提高了噪声预测网络的细节保持能力和不同退化图像下的推理适配能力，为低步数扩散式图像超分辨率提供了一种有效改进思路。

目的显著目标检测是遥感图像理解的重要基础任务。针对像素级标注成本高、视觉基础模型的通用先验难以有效适配复杂遥感场景的问题，提出一种视觉基础模型驱动的低标注遥感显著目标检测方法，以提高无标签样本利用效率和检测精度。方法首先，本文构建了ST-SAM3渐进式自训练框架，该框架利用少量标注样本对SAM3进行轻量级微调，通过迭代提示推理获得无标签样本的细化伪掩码，并构建多维度的伪标签可靠性评估策略，从而筛选高质量无标签样本并生成可靠伪标签。进一步地，本文提出DistillMatch半监督蒸馏学习框架。该框架在尺度扰动和旋转扰动下约束学生预测与教师伪标签保持几何一致；同时设计统计信息蒸馏策略，从特征分布层面增强学生模型对遥感显著目标结构和语义响应的建模能力。结果本文在ORSSD、EORSSD、ORSI-4199数据集上，以5%和10%的低标注比例进行实验。结果表明，本文方法在定量指标上显著优于现有半监督方法，验证了渐进式可靠伪标签构建、几何一致性学习与统计信息蒸馏的有效性。结论该研究表明，借助SAM3基础模型的通用分割先验与提示推理能力，可在无需额外人工干预下提升无标签样本的利用效率，缓解深度网络模型对大规模像素级标注的依赖，为低标注空天遥感显著目标检测提供了一种有效可行的技术路径。代码仓库及数据地址：https：//github.com/lyf0801/ST-SAM3.

稀疏视图三维重建旨在从少量图像中恢复场景的三维结构与外观。由于视角覆盖不充分、几何约束不足，重建结果容易出现结构缺失、纹理模糊和跨视角不一致。扩散模型从大规模图像数据中学习的生成先验可为未观测区域的恢复提供补充信息，但生成内容的视觉合理性并不等同于几何准确性。本文聚焦少量真实图像驱动的静态三维重建，涵盖视频扩散辅助的观测补全与反馈优化方法，单图三维生成与纯新视角生成仅作为相关技术基础介绍。依据扩散信息的使用方式，围绕扩散先验约束与生成观测驱动两种机制，系统梳理代表性方法的建模思路与技术特点，分析生成与重建之间的反馈交互及不同机制在混合方法中的作用环节。同时，归纳常用数据集与评价指标，并结合实验设置对代表性方法的实验结果进行对比分析。结合先验偏差、生成观测误差及反馈过程中的误差累积，讨论先验与真实观测的平衡、生成观测的可靠性及反馈稳定性，展望相机位姿鲁棒性、复杂场景重建、跨场景泛化与计算效率等方面的研究方向。

目的现有基于原型的无样本终身行人再识别（lifelong person re-identification，LReID）方法通常静态、等权复用历史原型，忽视领域相关性、统计可靠性和边界风险差异，易引入噪声迁移并加剧灾难性遗忘。为此，本文提出受治理原型知识迁移（governed prototype knowledge transfer，GPKT）框架，对历史原型进行选择、校准和可信度加权。方法在不保存历史图像的条件下，GPKT以身份级分布原型、领域级描述符和样本支持统计保存历史知识；按领域与身份相关性检索原型并通过残差矩匹配缓解特征空间漂移，结合样本支持、方差稳定性、领域相关性和边界安全性生成治理权重，再将其注入原型诱导的关系蒸馏以迁移历史身份关系结构。结果在12个行人再识别数据集（5个已见域、7个未见域）和两种训练顺序上，将GPKT与9种近期代表性方法进行比较。相较于相同50层残差网络（50-layer residual network，ResNet-50）骨干下综合平均性能最强的分布感知知识对齐与原型化（distribution-aware knowledge aligning and prototyping，DKP++）方法，GPKT在顺序-1/顺序-2的已见域平均的平均精度均值（mean average precision，mAP）/Rank-1（R1）准确率分别提升3.1/2.7和3.0/2.9个百分点，未见域平均分别提升3.2/2.6和3.3/2.6个百分点。将骨干替换为视觉Transformer（vision Transformer-base/16，ViT-B/16）后，顺序-1/顺序-2的已见域平均mAP分别较ResNet-50版本进一步提升1.5/1.5个百分点，未见域平均mAP分别提升1.8/1.9个百分点。逐阶段评估表明，GPKT在两种顺序下的平均遗忘率较DKP++降低约2个百分点，其最终性能优势由旧领域保持与新领域适应共同贡献。结论GPKT通过相关性、可靠性与风险感知的原型治理和关系蒸馏，在不存储历史样本的前提下有效兼顾旧知识保持、新领域适应与跨域泛化。