随着深空探测任务不断向高自主、长时序和复杂环境作业发展，传统依赖地面的遥控遥操任务模式已难以满足月球、火星及更远深空环境下实时、可靠和高效作业的需求。面向这一发展趋势，具身智能逐渐成为深空探测的重要研究方向，其核心在于推动探测系统由单一指令执行向感知、决策与执行一体化自主运行演进，从而提升深空任务中的环境感知能力与自主决策水平。本文系统回顾了深空探测智能化方法的研究进展，围绕深空感知能力受限、自主决策能力不足等关键问题，梳理了深空视觉感知方法与深空具身智能方法的研究现状，并对相关数据集、典型任务及评价方式进行了归纳总结。在此基础上，进一步从感知泛化、可信决策、系统协同与轻量化部署等方面，对深空探测具身智能的发展方向进行了展望，旨在为深空探测自主智能技术的研究与应用提供新的技术路径。

扩散模型已迅速发展成为生成式视觉模型的主要范式。然而，模型所固有的记忆遗忘机制使得模型不自觉地记忆训练数据集中的敏感信息，进而加剧了图像领域的隐私安全和版权问题。尽管记忆与遗忘机制在语言模型领域已有深入研究，但在扩散模型这一视觉生成任务的核心技术中，仍缺乏系统性的综述。本综述旨在填补这一空白，具体从扩散模型的理论建模和模型架构的介绍，到模型记忆在非时序和时序扩散模型上的定义，对于模型记忆在扩散模型上的理解和对模型记忆在模型审计方和恶意攻击方两方面的量化方法，再到模型遗忘统一框架下差分隐私、提示词优化、模型遗忘的模型记忆缓解方法5个方面进行探讨，最后，本文展望了扩散模型中记忆—遗忘机制的未来发展方向，并重点指出了当前面临的关键挑战，包括隐私数据处理流水线和基准测试亟待规范，更符合扩散模型特性的模型记忆定义和模型遗忘算法，新学习场景的模型记忆—遗忘机制和垂直领域落地。

人像重打光技术是计算机视觉领域中的一个重要研究课题，其核心思想是通过调整图像中的光照条件，模拟或改变人物面部的光照效果，从而实现提升图像视觉效果、改善面部特征呈现和增强美学效果的目标。近年来，随着深度学习技术的快速发展，基于深度学习的重打光技术已经成为主流。这类方法能够有效地捕捉光照变化与图像之间的复杂关系，进而输出具有高度真实性和视觉吸引力的重打光效果。本文详细介绍了人像重打光算法的研究背景和应用领域，进一步总结和归纳当前领域内已有的人像数据集和光照数据集。通过对现有基于深度学习的重打光方法进行分类调研与深入分析，本文还综合对比了这些方法的优势与不足，探索其在不同应用场景中的适用性与局限性。最后，结合当前技术发展趋势，本文展望了人像重打光算法在未来研究中的挑战与机遇，提出了可能的研究方向，旨在为进一步提升算法性能、拓宽应用范围以及克服现有技术瓶颈提供参考和思路。

随着生成对抗网络（generative adversarial network，GAN）、自编码器（autoencoder，AE）和扩散模型（diffusion model，DM）等深度伪造技术的快速发展，深度伪造人脸图像广泛用于制作非自愿色情内容、实施电信诈骗及传播政治虚假信息等恶意行为。作为新型数字证据，深度伪造不仅频繁出现在当前犯罪活动中，还可能被用于虚假指控或操控监控记录，严重削弱法庭证据科学中人脸图像分析的可靠性，进而威胁刑事司法的公正性。本文系统梳理了关键数据集的发展脉络与深度伪造人脸图像的技术演进路径，深入剖析其生成机制的核心架构，涵盖主要技术路线、理论基础与功能逻辑；基于Web of Science数据库筛选出的737篇文献，采用VOSviewer进行文献计量分析，识别该领域的研究趋势，并揭示现有检测技术研究与司法实践中证据鉴伪实际需求之间的显著脱节。本研究提出将深度伪造人脸图像检测方法划分为技术原理导向与应用阶段适配两类互补框架，以应对不同阶段的证据鉴定需求。针对深度伪造人脸图像作为新型犯罪载体所带来的证据可信性挑战，本文主张法庭证据鉴定人应推动检测向鉴定的转化，实现检测结果与贝叶斯推理框架的融合，提升其在司法证明中的可采性与说服力。本研究衔接计算机视觉技术发展与法庭证据实践需求，明确了从技术检测到司法鉴定的逻辑路径，为法庭科学研究人员与司法实务工作者提供了具有技术价值的理论参考。

人工智能（artificial intelligence，AI）生成内容技术的爆发增长引发了严重的信任危机，AI生成图像检测已成为多媒体取证领域的核心议题。为破解当前检测技术研究视角碎片化、理论体系割裂的困境，本文提出一种从“学习范式”切入的统一分析框架，对AI生成图像检测技术进行系统性综述。首先，本文构建了包含“证伪”与“存真”两大根本性类别的双学习范式分析体系，并对各类方法的基本思想进行全面阐述。其中，“证伪”范式侧重于挖掘生成过程中残留的频域异常、空间不一致等伪造痕迹；而“存真”范式旨在通过单类分类或物理一致性约束，对真实图像的固有分布进行建模以识别异常。其次，通过梳理理论分析与技术演进路径，本文揭示了检测技术由被动识别特定痕迹的“证伪”向主动建模真实分布的“存真”演进的趋势，并深入剖析了“证伪”范式在跨域泛化能力上的局限性，以及“存真”范式在建模高维复杂分布时的核心挑战。此外，本文构建了包含库内性能、跨模态泛化性、鲁棒性及可解释性等多维度的评估体系，对比了代表性算法的优劣。最后，本文探讨了范式融合、基于基础模型的检测及反取证防御等未来研究方向，为构建高鲁棒、可解释的AI生成图像检测体系提供理论参考。本文将相关开源论文及代码链接汇总至GitHub仓库（https://github.com/qqqqwddw/wesome-image-Detection），并将整理后的数据集与分析数据上传至ScienceDB社区（https://www.scidb.cn/detail?dataSetId=d6427185d9ff4c43bb6b190a117d723b），以供后续研究参考。

多模态实时交互式数字人作为新一代人机交互的核心载体，正随着多模态大模型、AR（augmented reality）/VR （virtual reality），以及5G/6G等技术的快速发展，逐步从传统的单模态输入方式，演进为融合语音、视觉、动作乃至情感信号的多模态自然交互形式。数字人本身也经历了从非交互式虚拟形象到具备语义理解、情感感知与主动响应能力的智能体的转变。本文从发展脉络、关键特征与技术体系3个方面系统梳理了这一进程：首先回顾了数字人由静态展示向多模态交互演进的轨迹，突出其在沉浸感、实时响应与情感共鸣能力上的提升；随后重点剖析了建模、实时驱动与渲染三大核心技术，涵盖3D高斯溅射（3D Gaussian splatting）、神经辐射场（neural radiance field，NeRF）隐式表征、多模态融合驱动及神经渲染等前沿手段，揭示了高保真视觉呈现与低延迟交互之间的技术权衡；进一步提出了多模态数字人的通用系统框架，划分为感知、融合、生成与拓展4个层次，并总结了语言生成、情感语音合成与表情驱动等关键模块间的协同机制。未来，数字人技术的发展将更加注重轻量化部署、跨模态一致性保障与情感共生智能的实现，有望在教育培训、医疗健康、文化娱乐及人机协作等场景中，提供更加自然、可信且富有温度的人机交互体验。