本研究提出了一种新颖的RGB和短波红外（SWIR）多光谱驾驶数据集（RASMD），包含10万个同步的RGB-SWIR图像对。研究表明，结合RGB和SWIR数据能显著提高恶劣天气条件下的检测精度，为自主驾驶和稳健感知系统提供了新动力。

本研究提出Llama3-MS-CLIP模型，通过对大规模多光谱数据集进行对比学习预训练，显著提升了多光谱图像的分类和检索能力，强调了多光谱视觉语言学习的重要性。

本研究提出了一种基于图神经网络的多光谱视图学习模型（GNN-MSVL），用于检测糖尿病性黄斑缺血（DMI）。该模型通过重建多光谱图像并提取特征，达到了84.7%的准确率，显示出在DMI早期筛查中的潜力。

本研究解决了多光谱物体检测中的特征提取与融合策略问题，提出了公平可重复的基准以评估现有方法，并介绍了一种高效的多光谱检测框架，推动了技术发展。

本文介绍了SICKLE数据集，涵盖多光谱、热学和微波数据，基准测试了作物类型、生长季节和收成预测，并提出了基于时间序列的收成预测策略。

该论文介绍了一种用于多光谱和高光谱图像融合的傅里叶增强的隐式神经融合网络，通过创新地提出了一种空间和频率隐式融合函数（Spa-Fre IFF）来捕捉高频信息并扩展感受野，并发明了一种新的解码器（SFID），以增强隐式神经表示特征的交互作用。实验证明该方法在视觉上和定量上表现出最先进的性能。