本研究提出了一种基于传统相机的驾驶状态识别方法，针对光照变化的挑战，通过生成事件帧，结合脉冲神经网络和注意力驱动状态网络，显著提升了识别的准确性和鲁棒性。

本研究针对图像匹配中的多角度、光照和季节变化问题，提出了一种综合多种技术的管道方法，最终在私有排行榜上取得了0.167的优异成绩，显著提升了关键点检测和匹配性能。

本文介绍了DINO-Mix架构，通过DINOv2模型提取鲁棒的图像特征。实验证明，DINO-Mix在具有光照变化、季节变化和遮挡的测试集上表现优于当前最先进的方法，准确率提高了5.14%。

本文介绍了DINO-Mix架构，利用DINOv2模型修剪和微调图像，提取鲁棒的特征。实验证明，DINO-Mix在具有光照变化、季节变化和遮挡的测试集上表现优于当前最先进的方法，准确率提高了5.14%。

Sat-NeRF是S-NeRF模型的修改实现，能够合成稀疏卫星图像的新视图，并考虑光照变化。通过神经网络输出反照率和入射辐照度，将辐射度作为太阳直射光和天空漫反射颜色的函数。通过超参数研究，成功将NeRF和S-NeRF拟合数据并产生最佳预测。

Sat-NeRF是S-NeRF模型的修改实现，能够合成稀疏卫星图像的新视图，并考虑光照变化。通过神经网络输出反照率和入射辐照度，并将辐射度作为太阳直射光和天空漫反射颜色的函数。通过超参数研究，成功将NeRF和S-NeRF拟合数据并产生最佳预测。