本研究提出了一种名为SeFENet的语义驱动特征增强网络，旨在改善恶劣环境下的图像模糊和色彩失真问题。通过引入层次化尺度感知模块和语义引导约束模块，SeFENet显著提升了单应性估计的准确性和鲁棒性，实验结果显示其点匹配错误率降低了至少41%。

本研究提出了一种新的检测器学习范式，旨在解决SAR飞机目标的检测与识别问题。通过自监督学习和特征增强，检测器在SAR-AIRcraft-1.0数据集上的性能提升达90.7%。

本研究提出CDXFormer，旨在解决遥感变化检测中的性能与效率平衡问题。该方法结合XLSTM特征增强层，显著提高了检测的准确性和效率，实验结果表明其在多个数据集上表现优异。

本研究提出一种特征增强方法，解决自监督对比学习中因数据增强导致的视图变异性问题。通过增加训练数据的多样性，提高预训练模型的泛化能力和鲁棒性。结果表明，该方法在图像分类和目标检测任务中显著提升了性能。

本文提出了一种基于人眼视觉感知的三阶段模型，可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。网络表现优于现有CNN模型，降低了计算开销并减轻了背景噪声干扰。

EMIFF是一种基于相机的三维检测框架，用于车辆和基础设施之间的协作感知任务。通过引入MCA和CCM模块，增强特征并修正姿态误差。通过FC模块提高传输效率。实验结果显示EMIFF在数据集上表现出优异性能。