在计算机视觉领域中，基于孪生网络的跟踪算法相比于传统算法提高了精度和速度，但是仍会受到目标遮挡、变形、环境变化等影响，导致孪生网络的跟踪算法的性能降低。为了深入了解基于孪生网络的单目标跟踪算法，本文对现有基于孪生网络目标跟踪算法进行了总结和分析，主要包括在孪生网络中引入注意力机制方法、超参数推理方法和模板更新方法，对这3种方法的目标跟踪算法进行了综述，详细介绍了国内外近几年基于孪生网络的算法研究和发展现状。对3个方面的代表算法采用VOT2016、VOT2017、VOT2018和OTB-2015数据集进行实验对比，获得了多种基于孪生网络的目标跟踪算法的性能。最后对基于孪生网络的目标跟踪算法进行了总结，并对未来的发展方向进行了展望。

现有的层级式文本生成图像的方法在初始图像生成阶段仅使用上采样进行特征提取，上采样过程本质是卷积运算，卷积运算的局限性会造成全局信息被忽略并且远程语义无法交互。虽然已经有方法在模型中加入自注意力机制，但依然存在图像细节缺失、图像结构性错误等问题。针对上述存在的问题，提出一种基于自监督注意和图像特征融合的生成对抗网络模型SAF-GAN。将基于ContNet的自监督模块加入到初始特征生成阶段，利用注意机制进行图像特征之间的自主映射学习，通过特征的上下文关系引导动态注意矩阵，实现上下文挖掘和自注意学习的高度结合，提高低分辨率图像特征的生成效果，后续通过不同阶段网络的交替训练实现高分辨率图像的细化生成。同时加入了特征融合增强模块，通过将模型上一阶段的低分辨率特征与当前阶段的特征进行融合，生成网络可以充分利用低层特征的高语义信息和高层特征的高分辨率信息，更加保证了不同分辨率特征图的语义一致性，从而实现高分辨率的逼真的图像生成。实验结果表明，相较于基准模型（AttnGAN），SAF-GAN模型在IS和FID指标上均有改善，在CUB数据集上的IS分数提升了0.31，FID指标降低了3.45；在COCO数据集上的IS分数提升了2.68，FID指标降低了5.18。SAF-GAN模型能够有效生成更加真实的图像，证明了该方法的有效性。

针对文本生成图像任务中的文本编码器不能深度挖掘文本信息，导致后续生成的图像存在语义不一致的问题，本文提出了一种改进DMGAN模型的文本生成图像方法。首先使用XLnet的预训练模型对文本进行编码，该模型在大规模语料库的预训练之下能够捕获大量文本的先验知识，实现对上下文信息的深度挖掘；然后在DMGAN模型生成图像的初始阶段和图像细化阶段均加入通道注意力模块，突出重要的特征通道，进一步提升生成图像的语义一致性和空间布局合理性，以及模型的收敛速度和稳定性。实验结果表明，所提出模型在CUB数据集上生成的图像相比原DMGAN模型，IS指标提升了0.47，FID指标降低了2.78，充分说明该模型具有更好的跨模态生成能力。

Recently, deep learning has yielded transformative success across optics and photonics, especially in optical metrology. Deep neural networks (DNNs) with a fully convolutional architecture (e.g., U-Net and its derivatives) have been widely implemented in an end-to-end manner to accomplish various optical metrology tasks, such as fringe denoising, phase unwrapping, and fringe analysis. However, the task of training a DNN to accurately identify an image-to-image transform from massive input and output data pairs seems at best na?ve, as the physical laws governing the image formation or other domain expertise pertaining to the measurement have not yet been fully exploited in current deep learning practice. To this end, we introduce a physics-informed deep learning method for fringe pattern analysis (PI-FPA) to overcome this limit by integrating a lightweight DNN with a learning-enhanced Fourier transform profilometry (LeFTP) module. By parameterizing conventional phase retrieval methods, the LeFTP module embeds the prior knowledge in the network structure and the loss function to directly provide reliable phase results for new types of samples, while circumventing the requirement of collecting a large amount of high-quality data in supervised learning methods. Guided by the initial phase from LeFTP, the phase recovery ability of the lightweight DNN is enhanced to further improve the phase accuracy at a low computational cost compared with existing end-to-end networks. Experimental results demonstrate that PI-FPA enables more accurate and computationally efficient single-shot phase retrieval, exhibiting its excellent generalization to various unseen objects during training. The proposed PI-FPA presents that challenging issues in optical metrology can be potentially overcome through the synergy of physics-priors-based traditional tools and data-driven learning approaches, opening new avenues to achieve fast and accurate single-shot 3D imaging.

紫外光技术在**和民用领域有着广泛的应用，如空间探测、紫外光制导、紫外干扰、电晕放电检测和**通信等领域。文章从紫外光的单次和多次散射出发，介绍了紫外光通信的国内外进展，分析了紫外光通信中的不同链路情况，针对非直视链路紫外通信的脉冲展宽效应和大气湍流影响进行了探讨，总结了紫外光Ad Hoc网络，最后对紫外光通信的发展进行了展望。

不同于普通图像压缩，多光谱图像压缩除了需要去除空间冗余同时还需要去除光谱间冗余，近年来研究表明端到端的卷积神经网络模型在图像压缩方面具有很好的性能，但对于多光谱图像压缩其编解码器并不能有效解决同时高效提取到多光谱图像空间和光谱间特征的问题，同时也会忽略图像局部特征信息。针对以上问题，本文提出了一种融合多尺度特征卷积神经网络的多光谱图像压缩方法。所提出网络在压缩模型的编解码器中嵌入了可以提取出不同尺度下空间和光谱间特征信息的多尺度特征提取模块，以及可以用来捕捉局部空间信息和光谱信息的空间光谱间非对称卷积模块。实验表明，与传统算法如JPEG2000和3D-SPIHT以及深度学习方法相比，在Landsat-8的7波段和Sentinel-2的8波段数据集上所提出模型的峰值信噪比（PSNR）指标高于传统算法1-2dB。在平均光谱角度（MSA）指标的衡量下，所提出的模型在Landsat-8数据集上优于传统算法约8×10^-3 rad，在Sentinel-2数据集上优于传统算法约2×10^-3 rad。满足了多光谱图像压缩对空间和光谱间特征提取以及局部特征提取的要求。

为满足点衍射干涉测量对解包算法高精度、高效以及抗干扰的检测需求。提出一种基于空洞空间卷积的相移点衍射干涉图像的相位解包方法，通过将自编码器结构和空洞空间卷积结合获得更高的相位解包精度，实现对包裹相位图像可控的多尺度特征提取。根据点衍射图像特点制作的大量多样化数据集对其进行训练和优化，从而实现准确识别包裹相位所在阶次，最终可以快速处理包裹图像得到高精度的解包结果。利用所提方法对实际点衍射干涉图像进行处理，并与ESDI专业干涉图像处理软件以及其他解包算法处理结果进行比对，结果表明：本文解包结果与软件枝切法解包处理结果均方根误差值为0.022 2 rad，面形拟合结果与软件面形拟合结果峰谷差值仅为0.012 1λ、均方根差值仅为0.004 2λ；时间效率上，完成一幅图像的处理平均仅需0.035 s，而传统方法均大于1 s。与其他方法相比，所提方法在处理包裹相位方面具有快速、高精度的特性，为点衍射干涉图像处理的高精度相位解包提供了新的可行方案。