针对点云分类分割方法中存在的高计算开销、复杂网络模型等问题，提出一种基于轻量级网络和加权随机森林(RF)的点云分类分割算法。该算法采用层次化的方式实现高效分类分割，首先针对传统神经网络层数多、计算复杂等问题，构造轻量级神经网络，并利用其提取点云的全局形状、区域间关系、曲率、法向量和颜色等特征，实现点云的快速粗分类分割；然后针对数据不平衡的问题，设计自适应分类分割策略，并引入加权RF，结合不一致度量筛选与动态加权优化机制，以实现点云精分类分割。在ModelNet40数据集上进行分类实验，在Semantic3D数据集和室外场景点云数据上进行了分割实验，结果表明，相比Local Geo-Transformer，PointNeXt和FastPointNet++等算法，该算法的分类分割精度分别提高了约1.9%，1.6%和1.7%，分类分割时间分别降低了约40%，30%和20%。由此可见，基于轻量级网络和加权RF的点云分类分割算法在保持较高分类分割精度的同时，可以有效缩短模型的训练时间，提高分类分割效率，是一种有效的点云分类分割算法。

在建造场景所有安全事故中，碰撞事故被认为是最常见的伤害之一。为能有效预防监测碰撞事故的发生，采用计算机图形分析技术辅助碰撞检测分析，具有一定成效，但在检测的实时性与高精度的平衡上仍存在局限。为了解决这个问题，提出了一种基于动态体素化的碰撞检测方法，即融合空间动态体素树生成与资源动态球状体素化计算，构建了一种碰撞检测分析机制。核心思路在于：①基于拥挤度阈值，递归分割空间生成动态体素树，有效过滤非碰撞风险区域；②依据资源间相对距离和资源体积动态计算体素单元边长，实现体素粒度的自适应调节；③采用球状体素替代传统立方体体素，避免非轴对齐检测的计算负担；④引入空心化处理剔除内部无效体素，进一步优化检测效率。该方法能够在复杂动态建造环境中精准捕捉资源交互，显著提升检测精度并优化计算效率。实验结果表明，相较于传统方法，该方法在检测精度上显著提高，精确率与准确率分别达到94.64%与96.67%。在碰撞检测时间上，比多数现有方法更具效率，计算速度至少提升了11.36%。同时，研究分析了体素树深度、根节点尺寸和体素边长参数对性能的影响，并分析了不同规模场景的CPU资源与内存资源的消耗。消耗量处于可接受范围内，验证了其在建造场景的适用性。该方法为提升建造安全管理智能化水平提供了有效的信息化处理新思路。

针对数字孪生(DT)技术与大模型在工业设计中融合应用的挑战，提出了一种基于生成式大模型的CAD-LDT数字孪生体建模框架。通过构建物理实体模块、智能生成模块和虚拟实体模块的三元架构，创新性地整合多模态数据融合机制与领域知识约束，实现从物理实体描述到参数化CAD模型的自主生成。采用LLaVA-7B和LLaMA-7B作为基础模型，通过LoRA轻量化适配器实现视觉-文本特征的跨模态对齐，并设计约束编码器将几何公差与物理规则转化为结构化JSON对象。为增强空间变换的数学一致性，引入李群算法优化刚体变换表征；采用几何权重分箱方法离散化复杂装配关系；提出时空解耦生成策略，协同规划空间布局与装配时序。在DeepCAD数据集上的实验结果表明，该框架在几何达到83.6%，约束满足率达91.3%，生成效率提升了26.5%，显著优于主流基线模型。消融实验进一步验证了多模态融合、约束编码机制和李群算法对建模质量的关键贡献。为智能制造领域提供了新的DT建模范式，在参数化设计、装配工艺优化等方面展现出工程应用价值。

在屋面工程设计中，设备检修动线的合理性直接影响检修效率与安全性，传统设计方法常依赖经验判断，难以在设计阶段充分评估动线设计的合理性。针对此问题，提出了一种基于图论及改进A*算法结合的混合算法，并结合建筑信息模型(BIM)技术，开发了一种基于该算法的屋面设备检修动线智能分析设计工具，通过数字化模型进行动线分析，弥补传统设计的不足。首先，采用碰撞检测与八叉树算法将屋面转化为带有权重的等效网格图；然后采用改进A*算法优化检修路径，综合考虑设备碰撞体积和空间限制，计算最优检修动线并评估动线区域深化设计合理性；最后，使用以该算法为基础的检修动线智能分析设计工具对实际项目进行实验。实验结果表明，该算法不仅能够精准揭示设计中可能存在的空间冲突和不合理布局，为优化设计提供数据支持，提高了设计的合理性和可操作性，且比传统人工设计效率提高了5倍以上。目前基于该算法的智能分析工具已在上海建工四建集团的多项实际项目中使用。

针对现有复杂产品装配精度预测中未充分考虑粗糙表面对装配精度的影响，导致精度预测不准确及实际装配适用性不足的问题，提出一种考虑粗糙表面的装配精度预测方法。首先，构建装配精度信息模型，表达零件配合特征、几何公差及粗糙度信息，并以此为基础，构建装配精度知识图谱；其次，基于小位移旋量(SDT)理论建立几何公差表示模型，并研究平面零件及柱面零件粗糙表面模拟方法及小位移旋量表达式确定方法；再次，根据装配序列确定装配体偏差传递路径，并构建装配接触有向图，利用雅可比-粗糙表面模型实现装配精度预测。最后，以某型号工程机械曲柄连杆机构为例验证方法可行性，结果表明，该方法可实现装配精度的准确预测并对实际装配具有指导价值。

肝脏局灶性病变(FLLs)检测对疾病诊断和治疗至关重要。传统检测方法面临诸多挑战，深度学习技术的应用为其带来新契机。鉴于此，系统综述了基于深度学习的FLLs检测方法，通过深入分析相关技术的优势与不足，为FLLs检测技术的发展提供了具体的研究方向。首先对肝脏放射影像的公开数据集进行了整理归纳，阐述数据预处理对提升模型性能的关键作用。其次，对比分析了基于卷积神经网络、Transformer以及知识蒸馏等技术的2D与3D检测算法，揭示了从局部特征建模到全局时空关联的技术演进路径。此外，深入探讨了针对多期相影像的时序特征融合方法，为动态病变表征提供了新思路。研究表明，现有方法在检测精度与效率上取得突破，但仍面临小病灶敏感性不足、跨设备泛化性弱及临床验证缺乏等挑战。未来研究需通过多中心数据协同、轻量化算法设计及可解释性增强等途径，加速深度学习在肝脏病变辅助诊断中的临床转化与应用。

随着大模型规模的不断增长，模型推理的内存占用和计算开销成为重要挑战。模型量化是降低模型资源消耗的有效方法，但现有方法在权重量化过程中存在离群点处理不足、量化精度损失显著以及内存访问效率低下等问题。为此，提出一种内存对齐的大模型混合精度量化方法，通过将模型参数表示成不同位宽的量化参数实现混合精度量化方法，在降低模型存储的同时缓解量化带来的精度损失问题。具体来说，基于小组显著性分析划分权重离群点，将模型参数按单指令多数据流(SIMD)单元对齐分组，并依据显著性对不同小组采用8 bit或2 bit量化；针对2 bit量化可能导致的精度损失，引入分块量化补偿策略。此外，设计了一种高效的混合精度权重打包与存储方案，通过位图(Bitmap)记录数据块位宽类型，支持随机访问。实验结果表明，该方法在保证模型精度的同时，显著降低了内存占用并提升了计算效率。通过在Llama2-7 B，13 B和70 B上进行验证，相比最先进的方法，在WikiText2和C4数据集上的困惑度(PPL)分别下降8.13，2.84，1.37及5.80，并且量化后的70 B模型相对BF16权重存储约减87%。此外在7个QA数据集上平均准确率提升6.24%。其结果表明，基于内存对齐的大模型混合精度量化方法能够同时提升压缩率、访存效率与模型性能。

现有的多视点立体视觉研究利用深度估计算法，通过建立物理世界与数字世界的映射关系来实现立体表征。基于有监督学习的神经网络算法通过训练能够取得准确且高保真的三维重建结果。然而，由于缺乏深度先验信息且图像具备大视场的特性，面向自然场景的视觉重建仍然具有挑战性。研究应用无监督学习网络和基于语义优化的神经辐射场(NeRF)渲染，在没有先验信息的情况下实现对自然采集的多视点图像的深度估计。首先通过无监督学习无参考地生成多视点图像初步的深度信息，进一步在独立的NeRF模型中，利用扩散模型建立表面语义渲染损失来实现细粒度的三维表征。在基准数据集上的实验结果表明，该方法与其他最先进的方案相比整体重建的指标平均提高了24.6%；在宽基线数据集的泛化性能验证中，该方法将现有方法测得的重建误差最多降低了40.8%。

传统3D点云分类方法在小样本类增量学习(FSCIL)场景下容易出现泛化能力不足和灾难性遗忘等问题。预训练语言-图像模型(CLIP)因具备丰富的2D形状先验知识，被证明能够有效提升3D FSCIL性能，但现有基于CLIP的框架在多模态特征提取与融合过程中仍缺乏灵活性与自适应性，导致增量阶段的分类准确率受限。为解决这些不足，提出了一种深度融合多模态特征的3D FSCIL方法，通过引入基于门控单元与残差块的自适应适配器实现多尺度特征对齐与冗余信息抑制，并设计基于自注意力机制的多模态全局特征动态融合模块，根据不同样本特性自适应调整多路特征的权重分配，从而获得更加一致且互补的融合表示。具体地，将点云渲染为多视角深度图，分别利用原始CLIP视觉编码器与在深度图上预训练的CLIP编码器提取特征，并结合点云几何特征，经自适应适配器处理后送入注意力融合模块，与CLIP文本编码器提取的语义特征对齐进行分类。此外，结合对比学习损失、多视角与几何扰动数据增强策略以及记忆回放机制，有效缓解小样本条件下的过拟合与遗忘问题。在ShapeNet、ModelNet及CO3D数据集上的实验结果表明，与现有主流3D FSCIL方法相比，该方法在各增量阶段均取得更高的准确率，且相对准确度下降率与最大阶段跳变率显著降低。

夜视环境下，强光源引发的眩光干扰显著降低图像质量，影响夜视辅助驾驶系统的感知性能，现有眩光去除算法面临鲁棒性不足、计算复杂度高以及光源信息丢失等问题。为此，提出了一种面向夜视辅助驾驶的轻量化图像眩光去除方法(NFR-Net+)旨在提升图像清晰度并满足移动端实时计算需求。首先设计特征过滤机制，结合残差连接策略，增强网络对复杂夜视场景的特征提取能力，有效抑制过拟合，从而在不同光照条件和眩光类型下实现稳定的眩光去除效果。其次，引入非线性无激活特征注意力模块，通过轻量化设计构建高效注意力机制，显著提升图像细节重建质量，同时将模型参数量降低约8.28%，运行内存减少约11.1%，大幅优化计算效率。此外，针对传统方法中光源信息过度去除导致图像自然度下降的问题，优化了分割网络中的光源提取模块，通过改进的光源分离策略，精确保留光源区域的亮度和纹理信息，确保输出图像的真实性和自然感。实验结果表明，NFR-Net+在结构相似性(SSIM)、峰值信噪比(PSNR)和学习感知图像块相似度(LPIPS)等图像质量评估指标上均优于现有主流方法，表现出更高的去眩光性能和细节保留能力。同时，该方法在多种夜视场景和不同硬件设备上均展现出良好的适应性，能够满足实时处理的高效性要求，为智能视觉系统在资源受限的移动端部署提供了可行性。进一步的消融实验验证了各模块的有效性，凸显了特征过滤和注意力机制在提升性能与降低资源消耗中的关键作用。且为夜间自动驾驶和智能监控等应用场景提供了高效、轻量化的解决方案。