目的计算机辅助教学在物理教育中的应用研究仍处于探索和发展阶段，特别在动力学问题求解方面仍存在物理状态表示不完善、推理过程不透明以及可扩展性不足等问题。方法研究了一种基于物理场景图与知识图谱相结合的推理方法，实现了面向物理教学习题的物理过程智能分析及问题求解，并在此基础上构建了一个交互式物理教学系统。该方法首先基于物理引擎输出的场景动态信息构建物理场景图，对场景中物体对象的空间位置、运动状态及物体对象间相互关系进行结构化建模；随后通过知识图谱驱动的规则推理选择合适的物理模型，并结合模型库中的模型计算公式完成复杂问题的自动求解与过程可视化。结果实验案例与用户评估结果表明，该方法能够实现对物理习题的自动求解，且推理过程具有可解释性。同时，还依据传统物理教学习惯，以动态二维示意图展示对应的物理过程，增强了教学的互动性，使抽象的知识变得形象直观，促进了学生学习理解物理知识的效果。结论本文工作可以推广到运动学、电磁学等其它物理知识，或抽象性强的课程辅助教学中，为智能化教学方法的研究提供了可借鉴的思路。

目的在当前工业级的无人机航测与实景三维重建工作流中，利用摄影测量或机载 LiDAR 快速获取测区的稀疏三维点云已成为标准工序。然而，受限于无人机续航、空域管制或既定航线规划，实际采集的光学影像往往难以实现全视角的密集覆盖。当利用这些离散且带有盲区的三维先验进行大基线视角外推或传统图形学渲染时，画面极易产生严重的结构畸变与渲染伪影。另一方面，纯数据驱动的二维扩散模型由于缺乏三维物理约束，在大基线视角外推时，纯二维模型极易打破极线几何约束，导致严重的透视畸变与地物拓扑错位。方法为突破这些问题，本文提出一种融合稀疏三维先验的生成式视角外推方法，旨在利用离散的物理几何骨架引导连续的像素生成，实现无人机稀疏视角下的高保真、几何一致性受控外推。该框架将多源物理空间约束显式注入潜在扩散模型（Stable Diffusion XL，SDXL），核心包含三个阶段：首先是三维先验的空间对齐。将点云提供的绝对深度与相机外参融合，构建像素级“深度+坐标”的几何空间嵌入图，并通过位姿变换将源影像预先对齐。其次是语义与几何解耦的双路前向生成。利用 IP-Adapter提取源图像全局语义，同时通过 ControlNet 注入几何空间嵌入图联合特征，指导网络在保持精确空间拓扑的基础上，渲染出连续且逼真的高频纹理。最后是基于潜空间重投影的三维透视监督。利用单步去噪估计推算无噪特征，并在潜空间计算跨视角几何重投影损失，强制生成的纹理严格服从极线几何的物理透视规律。结果基于真实无人机航拍及其解算点云数据集的实验表明，本方法在稀疏视角的大跨度外推任务中显著优于现有基线模型，有效抑制了生成过程中的透视畸变与地物拓扑错位。与传统的重建相比，本方法生成的图像在视觉感知上更为自然真实。测试结果显示，感知评价指标 LPIPS 降至 0.466，在 LLaVA-IQA 与 CLIP-Score 等语义一致性评估中也体现出了相应的优势。结论综上所述，本研究为稀疏条件下的新视角合成探索了一种新的可行思路。我们打破了对传统多视图连续性的依赖，充分发挥了扩散模型的生成潜力。

文档图像分析与识别（Document Image Analysis and Recognition， DIAR）作为连接物理世界与数字信息的关键桥梁，其技术体系正经历从传统任务驱动向大模型时代智能理解的深刻变革。本文基于中国图象图形学学会文档图像分析与识别专业委员会主办的“文档图像微沙龙”系列学术活动，系统梳理并凝练了近年来中国青年学者在该领域的代表性成果。文章以技术演进为脉络，首先回顾了文字检测、识别、公式与表格等核心基础任务的创新突破，重点阐述了开放集识别、自监督学习等前沿范式；进而探讨了从独立任务到端到端联合优化的系统性进展；最后，聚焦于大模型时代下智能文档解析的新范式，深入剖析了专用光学字符识别（Optical Character Recognition， OCR）大模型、多模态文档解析框架以及评估体系构建等关键方向。本文旨在勾勒DIAR领域从精细化单点技术到智能化系统集成、再到认知级语义理解的发展全景，为构建高鲁棒性、可解释且高效的通用文档智能基座提供理论参考与实践指引。本文提及的算法、数据集和评估指标已汇总至https：//github.com/xhli-git/Micro-Salon-Survey.

目的面部表情识别在计算机视觉领域广泛应用，涵盖人机交互、医疗健康和在线行为监测等场景。然而，现有方法往往未能充分建模面部关键区域的局部特征，导致在应对类间相似性高、类内差异性大的复杂表情时性能受限。为了提升模型对面部关键区域的捕捉能力，提出了一种用于面部表情识别的交叉融合多级感受野网络（cross-fusion multi-level receptive field network，CFMRFN）。方法首先，利用Transformer框架融合面部的整体表情特征与局部标志点特征，从而利用标志点引导模型聚焦于面部关键区域。其次，针对Transformer捕捉面部标志点这种局部特征中适应性不足的问题，提出的滑动膨胀窗口注意力机制，在保持全局感知与并行计算优势的同时限制注意力计算范围，实现对面部关键区域的深度建模。最后，为了进一步捕获眼角、嘴角等细微区域，在滑动膨胀窗口注意头中配置多种膨胀率，构建多级感受野检测器，以多尺度感受野捕获面部的关键区域特征，从而加强模型对关键区域的捕捉能力并提升识别性能。结果所提方法在 RAF-DB、AffectNet（7cls/8cls）和FERPlus三个公开数据集上进行了实验验证，整体准确率分别达到92.14%、67.35%（7cls）、63.44%（8cls）和91.67%，在41.8M参数量和6.8G FLOPs的计算开销下，与Expllm相比在RAF-DB上提升了1.11%。为进一步检验模型在复杂表情下的判别能力，对三个数据集进行了单类表情准确率评估，并通过模型分析与消融实验验证了所提方法在复杂表情模式下的性能。结论本文所提方法将局部标志点与全局表情特征进行交叉融合，并利用所提的多级感受野准确捕获眼角、嘴角等关键区域的局部特征，使模型在复杂表情模式下依然保持精准的识别表现。具体代码可在此处获取https：//www.scidb.cn/anonymous/SmZ1aWFx

目的提出了一种基于3DGS的3D人头化身建模方法TPAvatar（Avatar with Texture Prior），能够从多视角或单目视频序列数据中高效重建高保真可动画的3D人头化身，解决现有方法重建训练速度慢、难以重建精细皱纹细节的问题。方法TPAvatar通过构建一个轻量化网络模型学习高斯属性的特征隐空间，并首次提出利用预训练的DINOv2模型从建模对象的纹理图中提取视角无关的身份外观先验，构建UV空间对齐的身份特征。在表情驱动方面，TPAvatar为每个高斯点构建一组隐式表情特征基，通过网格绑定和表情特征基的线性组合实现模型的高效动画。结果在多视角数据集NeRSemble和单目数据集INSTA上的实验结果表明，TPAvatar可以实现高质量的多视角或单目人头化身重建。在多视角重建场景中，与基线方法GaussianAvatars/GEM相比，TPAvatar将重建时间从8/12小时缩短到了1.5小时，同时取得了更高的重建质量，在测试集上LPIPS分别降低了0.0037/0.0131；与基线方法RGBAvatar相比，TPAvatar在保持快速重建优点的同时显著提升了视角泛化性，在新视角合成任务中LPIPS降低了0.0155。在单目重建场景中，相对于最优基线方法RGBAvatar， LPIPS降低了0.0016。结论TPAvatar是一种可实时动画的3D人头化身重建方法，适用于多视角或单目视频输入下的个性化3D人头化身重建任务，通过融合纹理特征和构建表情特征基提升了模型的动画质量和视角泛化性，实现了快速训练、高效推理以及高质量的重建与动画。代码链接：https：//doi.org/10.57760/sciencedb.j00240.00128。

目的针对现有点云场景识别方法中传统实数域卷积运算表达能力有限，难以充分挖掘点云场景中丰富结构及语义信息的问题，本文探索一种融合跨学科理论的新型点云特征表达范式，以提升点云场景识别的性能与可解释性。方法受物理学波粒二象性理论启发，本文将点云中的点抽象建模为基本态粒子，创新地构建兼具“波动性”与“粒子性”的点云特征表达范式，并提出由三大核心模块组成的场景识别方法：1）点云波性表达模块：基于单粒子的波动属性，对点云中各点的语义信息进行完备性建模，增强其局部上下文感知能力；2）点云粒子性信息交互模块：模拟多粒子相干作用下的“粒子性”行为，刻画点特征间的动态依赖与高阶交互关系；3）点云特征紧凑化编码模块：将融合波粒二象性的点特征高效聚合为紧凑且具有代表性的全局表示，用于最终的识别任务。在实现上，本文为每个模块提出两种实例进行展示。结果在四个数据集上的综合评估显示，所提范式下的不同实例均能有效提升多种点云识别基准模型的性能；其中“波函数直接建模与广义平均池化”的组合计算高效，以6.12MB参数量使模型收敛速度提升近1倍，达到8ms。结论所提波粒二象性特征表达范式具有良好的通用性和即插即用特性，验证了跨学科理论应用于点云场景特征表达的有效性，为点云场景识别提供了新的研究方向。