本研究提出了一种基于学习的物理知识颜色敏感变换（PiCat）框架，旨在解决低光照图像增强中的颜色预测不一致和光谱功率分布敏感问题，从而显著提升图像恢复效果。

本研究提出了一种多头自适应图卷积网络，用于低光照环境下的稀疏点云人类活动识别。该方法通过动态调整卷积核，提高了识别的准确性和效率，实验结果在基准数据集上表现优异，具有实用价值。

本研究提出了一种CRTrack半监督多目标跟踪方法，旨在解决低光照环境下数据集不足和注释成本高的问题，增强模型对噪声伪边框的抵抗力，从而显著提升跟踪性能。

本研究提出了一种新颖的零样本低光照图像增强方法，结合小波和傅里叶频域构建先验信息，有效指导图像生成。实验结果表明，该方法在复杂场景下表现出良好的鲁棒性和有效性。

本研究探讨了低光照条件下活动相机的背景噪声问题，提出了一种新型事件驱动噪声过滤算法，能够有效过滤极稀疏场景的噪声。实验结果表明，该算法在信号保留和噪声去除方面优于现有方法，并提供了新的高分辨率卫星数据集。

本文介绍了基于Segment Anything Model (SAM)的医学图像分割方法，包括all-in-SAM流程、SSM-SAM框架和SAMDA模型。这些方法通过减少对手动提示的依赖，提高了分割性能，尤其在少样本和低光照条件下表现优越，推动了生物医学图像处理的发展。