动态点云数据因具备时间连续性和高维数据特性，能准确地描述物体动态变化，广泛应用于自动驾驶、增强现实、虚拟现实、机器人导航和三维视频等. 动态点云压缩在有效地管理不断增长的点云数据量的存储、传输和感知方面发挥着重要作用，当前缺乏专门针对动态点云压缩方法的全面调查. 针对该问题，对动态点云压缩方法进行了系统的综述. 首先介绍动态点云压缩的研究意义和理论支撑；然后从几何压缩、属性压缩和联合压缩3个方面阐述了主流模型的基本原理及优势；之后介绍了主流的动态点云压缩数据集及评价指标，总结各种方法在不同数据集上的性能；最后分析了当前方法在算法复杂度与场景适应性方面的局限性，并指出轻量化网络设计、联合时空建模及跨模态信息融合是未来的主要研究方向. 文中总结了动态点云压缩的最新进展，有助于更深入理解动态点云压缩，促进基于动态点云压缩系统的进一步发展.

近年来的神经逆渲染方法使用神经网络表示物体几何形状和表面材质，通过基于物理的渲染过程从多视图图像学习网络参数. 然而，这些方法通常假设光源位于无限远处，在具有复杂光照条件的室内场景中，这种假设很少成立. 为解决该问题，提出一种基于点云的光照表示方法，用于建模室内场景中的随空间坐标变化的高频光照效果；在输入的多视图图像中检测二维光源掩模，通过三维重建方法得到三维光源点；在基于物理的渲染过程中显式引入所提出的光照表示，提高了渲染模型表达镜面反射效果的能力，有效地减轻逆向渲染过程中的歧义性. 在真实和合成数据集上的实验结果表明，所提方法达到了逆渲染的优异性能，并能够产生逼真的重光照结果.

神经辐射场（neural radiance fields，NeRF）拥有将3D场景建模为连续函数的强大隐式表征能力，促进了生成模型在非结构化的2D图像集合上完成3D感知图像合成任务. 然而，由于忽略了真实世界的3D本质或依赖表达能力不足的网络架构，当前方法在图像合成方面仍然存在保真度低、一致性差和不可控制等挑战. 为此，提出一种基于自注意力机制的局部空间神经表示方法对NeRF生成器进行改良，实现可控的高质量3D感知图像合成. 首先通过结合各对象的位姿信息和预定义的3D边界框，将待合成场景进行解耦表示；然后利用自注意力局部表示模块为各对象单独建模，定义组合算子得到完整场景表示；最后经过渲染模块处理得到最终的RGB图像. 实验结果表明，所提方法能够在对空间点低频采样的情况下完成视角一致的、可控的高质量3D感知图像合成任务；且在高复杂度的CompCars公开数据集上进行64×64和256×256像素分辨率的合成实验，该方法获得的FID相较于基线方法分别提升4.69和2.51；同样在Churches公开数据集上FID分别提升1.93和3.56，进一步突出了该方法的有效性.

次表面散射光是确保半透明材料视觉效果的关键因素，在电影游戏、虚拟现实中有重要的应用价值. 针对现有技术依赖平面漫反射剖面，导致渲染复杂曲面时存在散射光颜色失真、阴影过渡生硬的问题，提出一种基于多极子模型的预积分方法，以提高曲面模型次表面散射精度. 首先使用多极子模型构建准确的曲面单层和多层漫反射剖面；然后对漫反射剖面预先积分并将结果保存到查找表中，通过增加单次散射进一步提高散射精度；最后在实时渲染时结合贴图模糊技术，提高平均曲率的准确性. 为了提高特定情况的散射效果，讨论了透射光对散射效果的贡献. 针对人脸渲染的实验结果表明，所提方法在SSIM和RMSE等各项误差指标中均优于现有预积分方法，在保证渲染速度的同时能够消除之前的曲面散射误差，有效地提高渲染真实感.

针对三维点云重构过程中由于过度平滑和锐化造成的特征失真问题，提出一种具有特征保持的概率重构算法.首先利用空间主成分分析进行点云局部曲率的低秩估计，辨识尖锐特征，并根据曲率对法向场进行自适应优化，以保证尖锐特征恢复时能够获得准确的法向约束；然后依据贝叶斯统计推论建立点云最大后验概率重构模型，并设计了粒子滤波器对各点位置的后验概率分布进行序贯蒙特卡罗模拟；为了提高算法的收敛速度，根据局部噪声强弱自适应地调整粒子重采样范围；最后针对点云不同区域分别使用法向与球体重采样完成多假设检验重构，解决特征退化和边缘不规整的问题. 与多种典型算法的对比实验结果表明，所提算法在主观视觉效果、重构精度和效率方面均有改善，重构精度与时效分别平均提高46.84%和33.34%；该算法在抑制噪声的同时，能够有效地恢复原有特征，提高了点云质量.

基于草图的三维模型检索是机械零件库中三维模型检索的重要途径. 草图和三维模型之间存在着巨大的模态差异，针对三维模型投影出的多个视图的信息冗余，零件视图提取的特征的表征能力弱的问题，为了提高基于草图的零件三维模型检索的效果，通过融合零件模型的局部和全局的双尺度特征，提出一种草图化三维机械零件库检索方法. 首先提出基于图像熵的三维模型投影视图表达方法，减少多个视图之间的冗余性；然后提出面向零件视图边缘轮廓提取的mechanical sketch模型，深度提取零件的轮廓草图，以逼近视图和草图的相似性；最后构建视觉词袋模型和改进的多视图卷积神经网络模型来分别提取轮廓草图的局部特征和全局特征，通过融合双尺度特征，采用欧几里得距离进行基于草图的零件三维模型匹配. 在扩充的ESB数据集上的实验结果表明，所提方法在准确率和召回率等系列评价指标上，相较文中对比的6种方法，有了较为明显的提高，验证了所提方法的可行性和有效性.

主题建模是自然语言处理中的重要文本挖掘方法，但其建模过程复杂且会生成部分不符合用户期望的结果.为帮助非专家用户理解模型建模过程，高效掌握和修改模型结果，设计了基于BERTopic的交互式可视分析系统. 系统通过以下关键功能提升BERTopic的可解释性与实用性：（1）挖掘并展示BERTopic层次聚类的中间过程，直观地揭示主题生成机制；（2）分析离群文档，揭示其与主题间的潜在关系；（3）提出多粒度局部模型编辑算法，增强BERTopic主题模型准确性；（4）开发基于Web的交互式层次主题模型系统BTVis，支持用户通过可视分析与交互探索理解并提升模型结果. 在TED、豆瓣影评等真实长文本和短文本数据集中进行了定性分析，面向100位参与者设计用户实验，并通过一致性、多样性和稳定性指标和其他模型进行对比，实验结果验证了所提系统的有效性和实用性.

现有的语义模式探索方式限制了对全局语义模式的理解，少有研究关注保留上下文语义的精细化语义模式探索. 文中通过深度结合机器学习和可视化技术，运用面向多属性文档的精细化语义模式可视分析方法，使用户能够在灵活地分析不同属性下的精细化语义模式的同时感知全局语义模式. 首先引入表征重构网络，得到包含多属性文档语义和属性信息的潜在向量，使主题模型能够更好地识别子空间主题；然后引入人在回路的语义模式可视分析方法，开发了一套包括探索管理器、子空间投影仪和主题解释器的语义模式可视化系统，支持用户选择表征重构的属性子空间，交互探索语义模式，并提供分析结果. 基于游戏评论数据集、美国新闻数据集和特朗普大选数据集，采用主题多样性和主题一致性的指标与既有方法进行对比，实验结果表明，所提出的主题模型在主题建模上具有较好的泛用性和灵活性；用户实验包括语义模式探索任务，验证了所提方法和可视化系统在语义模式探索上的出色执行效率和有效性.

现有的基于学习的图像特征点提取方法忽略了图像中的长距离上下文信息，在诸如石油生产场景等重复纹理和弱纹理场景中表现不佳，为油田生产的安全视频监控分析和数字孪生平台的构建带来了较大困难. 为了解决上述问题，提出一种融合局部和长距离信息的图像特征点提取方法. 首先利用高效的大卷积核捕捉长距离信息，并将长距离信息与普通卷积捕捉到的局部信息进行有效的融合，得到判别性更强的图像局部描述子；为了进一步提升图像特征点的匹配精度，提出一种全图像范围内自适应最困难描述子三元组构建方法，将描述子三元组的构造范围由共视区域扩展至整幅图像，提升训练过程和实际应用场景的相似度. 在HPatches数据集上，所提方法的平均匹配准确率高出对比方法2.89%. 在Aachen Day-Night v1.1数据集上，所提方法的视觉定位准确率高出对比方法2.10%. 在InLoc数据集上，所提方法的视觉定位准确率高出对比方法3.70%. 在富含重复纹理和弱纹理区域的石油生产场景数据集中，所提方法的平均特征点匹配内点数高出对比方法20.37%.

针对现有图像去雾方法无法有效地去除非均质雾霾以及多次去雾导致图像整体变暗等问题，提出一种基于亮度补偿的迭代式非均质图像去雾算法，包含图像去雾和亮度补偿2个模块. 在每轮迭代中，先通过图像去雾模块增强图像的对比度，降低图像中的雾霾浓度，再通过亮度补偿模块弥补图像去雾模块造成的亮度损失，使得亮度补偿结果不但保持先前的图像去雾效果，而且达到图像去雾处理之前的亮度水平，为下一轮进一步提升图像的去雾效果创造好的条件；在亮度补偿模块中，根据图像去雾前后的亮度变化设计一个亮度补偿算子，并建立一种基于亮度补偿系数的自适应亮度补偿机制，不但能够恢复图像的原有亮度，而且还能够提升图像的对比度，助力图像的去雾过程. 在FiveK-Haze，SOTS测试集和Real-Haze真实雾霾数据集上的大量实验结果表明，所提算法在处理非均质雾霾图像上表现出色，去雾结果具有良好的亮度、对比度和颜色饱和度，在常用的峰值信噪比、结构相似度、雾霾浓度、图像自然度和学习感知图像块相似度等评价指标上均优于对比方法.