本文提出了一种新框架LaPIG，利用大语言模型生成高质量的可见光与热成像人脸图像，解决了大规模成对数据集获取的难题。研究表明，LaPIG能够生成多视角图像，提升数据多样性，优于现有方法。

本研究提出了一种名为MASTER的多模态融合模型，能够在复杂天气和光照条件下有效提取RGB与热成像数据的信息，展现出优异性能，具有广泛应用潜力。

本研究提出了一种新方法，结合热成像与RGB图像，提高风力涡轮机叶片缺陷检测效率，显著提升YOLOv8模型性能，增强维护可靠性。

本研究提出了一种新型盒子关联方法，针对热成像中的多目标跟踪问题，结合热特征与运动相似度，提升了跟踪的准确性和鲁棒性，并提供了新的数据集。

本研究提出了一种新框架，通过结合可见光与热成像，解决了深度估计中的像素级特征匹配问题，显著提高了在不同照明条件下的准确性。

该研究提出了一种利用热成像和面部分析技术结合深度学习模型自动估计运动引起的疲劳水平的方法。实验结果表明，只需一个静态热帧即可预测运动引起的疲劳水平，平均误差小于15％。该研究强调了将热成像与深度学习结合用于可靠运动引起的疲劳估计的可行性。

本文研究了热成像在面部情感识别上的独特性，并探讨了其在计算机视觉和人工智能领域的潜在用途。然而，采用热成像作为人类中心的AI任务的数据源并不容易，需要高保真的数据来源和彻底的验证。数据收集和开发的局限性是使用该技术的限制之一。