A Survey of Urban Multimodal Learning |城市多模态学习综述
城市多模态学习旨在利用街景、卫星及文本等异构数据量化城市物理结构与人类主观感知,其核心价值在于弥补宏观遥感无法捕捉街道级细微变化的缺陷。早期研究聚焦于静态快照下的客观指标预测,思路直接但受限于单一模态与时序缺失,难以解释城市动态演变。当多模态大语言模型(MLLMs)引入后,监督微调(SFT)导致的地理偏差与幻觉问题成为主要瓶颈,研究者转向强化学习(RL)与多智能体系统(MAS),用更高的计算复杂度换取推理的鲁棒性与可解释性。各路线在数据标准化、推理架构与训练策略上做出了不同取舍,由此形成当前基准构建、动态推理与模型优化并存的格局。
A Survey of Visual Place Recognition Methods |视觉位置识别方法综述
视觉位置识别(VisualPlaceRecognition,VPR)旨在通过匹配当前观测与地理标记数据库实现自主定位,其核心价值在于解决长时程环境变化下的感知混淆与计算资源约束。早期研究依赖手工特征与Bag-of-Words聚合,受限于鲁棒性,2016年NetVLAD的提出标志着范式转变,确立了“特征提取+聚合”的主流架构。当DINOv2等视觉基础模型(VisualFoundationModel,VFM)引入后,研究重心从单纯追求精度转向效率、鲁棒性与多模态融合,用更强的语义先验换取跨域泛化能力。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。
A Survey of Synthetic-to-Real Domain Adaptation Methods |合成到真实域适应方法综述
合成到真实域适应(Synthetic-to-RealDomainAdaptation)旨在利用低成本仿真数据弥补真实标注数据的稀缺,其核心张力在于视觉逼真度与下游任务效用之间的错位。早期研究以图像翻译为主线,通过循环一致性约束弥合外观差异,思路简洁却受制于结构失真与语义漂移。当扩散模型引入结构控制后,范式从“翻译”转向“条件生成”,用更高的计算成本换取空间布局的精确保持。随着标签粒度不匹配与长尾分布问题暴露,研究重心进一步转向任务感知生成与数据效用评估,试图在训练前预判合成数据的实际贡献。各路线在生成保真度、适应效率与计算成本之间做出了不同取舍,由此形成当前生成式与适应式并存的多元格局。
A Survey of Visual Anomaly Detection Methods |视觉异常检测方法综述
视觉异常检测(VisualAnomalyDetection,VAD)旨在自动识别偏离正常模式的工业产品缺陷,其核心价值在于解决真实缺陷样本极度稀缺与高精度质检需求之间的根本矛盾。早期研究依赖自编码器或生成对抗网络进行像素级重建,思路直观但受限于重建误差对细微缺陷的敏感性不足。随着预训练特征嵌入方法(如PatchCore)的确立,领域转向在特征空间建模正常分布,显著提升了定位精度却牺牲了跨域泛化能力。当工业新品类频繁更替导致重训练成本不可承受时,基于视觉-语言模型(如CLIP)的零样本检测范式应运而生,用全局语义对齐换取了无需目标域训练数据的部署灵活性。
A Survey of Deep Image and Video Deblurring Methods |深度图像与视频去模糊方法综述
深度图像与视频去模糊旨在从受相机抖动或物体运动影响的退化图像中恢复清晰细节,其核心价值在于解决病态逆问题中信息丢失与计算资源之间的张力。早期研究依赖手工先验处理空间不变模糊,思路简洁却难以应对真实场景中的复杂退化。当合成基准暴露出域差距后,研究者引入事件相机与多模态传感器,用高时间分辨率的运动线索换取严重模糊下的信息完整性。随后,生成式模型与物理引导框架被引入,用更强的先验换取感知质量与物理一致性,但需付出高昂的计算成本。各路线在表示质量、适应效率与部署约束之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从像素映射到物理生成的因果演进链条,为读者提供一张领域认知地图。