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的多光谱图像组合方法，通过结合热成像和RGB图像，提高了风力涡轮机叶片的缺陷检测效率。结果表明，YOLOv8模型的检测指标显著提升，验证了该方法在维护和可靠性方面的有效性。

本研究提出了一种新方法，通过结合热特征和运动相似度，解决热成像多目标跟踪中的视觉特征缺失和复杂运动模式问题，显著提高了跟踪的准确性和鲁棒性，并提供了新的热成像和RGB图像数据集。

本研究利用热成像技术和自监督学习分析定向能量沉积中的熔池数据，以检测内部缺陷（如孔隙和裂纹）。引入视觉变换器的掩蔽自编码器，准确率高达99.17%，展示了在有限标记数据下的自动化质量控制潜力。

本研究提出了一种新框架，结合可见光和热成像技术，解决了不良照明条件下的深度估计问题。引入交叉模态特征匹配模块，显著提高了像素级匹配的准确性。

本文介绍了一种基于NeRF的学习方法，名为NeRF-W，能够从无组织的野外照片中合成复杂场景的新视图，达到接近照片现实主义的效果。研究探讨了NeRF在3D计算机视觉和图形学中的应用，提出了多模态学习策略，并结合热成像技术提升场景重建质量，展示了超光谱NeRF在3D重建中的潜力。

该研究提出了一种基于Segment Anything Model（SAM）的预训练框架，用于生成热成像图像的伪标签，从而提升分割精度。同时，创建了一个包含10万个像素注释的大规模数据集。通过适应性修改，RSAM-Seg在遥感图像分析中表现出色，尤其在云检测和建筑物检测任务中，展现了良好的少样本性能和缺陷检测能力。

该研究设计了一个大规模无人机数据集，提出了一种基于视觉的定位方法，以解决全球导航卫星系统失效时的无人机定位问题。通过全局-本地视觉定位网络和邻居搜索策略，显著提高了定位精度，尤其在稀疏纹理环境中表现优异。此外，研究还探讨了利用卫星图像进行长距离无人机热成像定位的方法，验证了其有效性。

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。