Raythink推出RG630系列AI智能手持红外气体热像仪，具备高灵敏度探测器和自研气体检测算法，能够智能评估风险，自动识别多种气体并触发报警，适用于高风险场景，续航5小时。

短波红外光谱（SWIR）技术在蚀变矿物勘查中应用广泛。研究表明，绿泥石的SWIR特征与矿化温度相关，铜山V号矿体的SWIR分析揭示了断层性质与矿化程度之间的关系。研究成果发表于《Ore Geology Reviews》。

本研究解决了天文学中不同波段星系观测数据之间的转换问题，提出了一种基于生成深度学习的图像到图像模型。该模型不仅能有效插值和外推不同波段的数据，还在真实观测数据的预测中表现出高保真度，展示了生成学习在天文数据集增强与多波段信息探测中的潜在价值。

该研究解决了现有红外与可见影像融合（IVIF）方法忽视对抗干扰影响的问题。提出了名为$\textrm{A}^{\textrm{2}}$RNet的对抗攻击鲁棒网络，采用反攻击损失函数，显著提升了在对抗攻击下的融合结果质量。研究表明，该方法在维持高保真度融合结果的同时，亦能保障下游任务的稳定性能。

本研究探讨了可见光-红外人员再识别的多种方法，提出了基于批量归一化的交叉模态神经架构搜索（CM-NAS）和无监督匹配框架，显著提升了跨模态匹配性能。通过模态统一网络和多内存匹配框架，解决了模态差异和类内变异问题，实验结果在多个数据集上优于现有方法。

本研究提出了一种新方法MSCrackMamba，通过融合红外与RGB通道，显著提高了结构健康监测中的裂缝检测性能。在Crack900数据集上，该方法的mIoU比最佳基线提高了3.55%，具有重要的实用价值。

本文介绍了一种针对真人照片的图像去噪方法，提出了Darmstadt Noise Dataset数据集，并评估了多种去噪技术。研究表明，新算法NL-Ridge在性能上优于现有技术，并提出选择性融合模块以改善近红外与可见光图像的去噪效果。实验结果显示该方法在多个数据集上表现优异。

本研究解决了当前缺乏实时、准确的红外多摄像头系统重校准技术的问题。提出了一种基于神经网络的方法，能够实现动态实时的相机校准，显著优于传统技术。实验结果表明，该方法在校准准确性和实时性方面具有革命性进展。

本文介绍了多种图像融合方法的最新进展，包括基于极化信息的融合、感知融合框架、语义结构保持的融合和文本引导的融合。这些方法在提高图像融合质量和计算效率方面表现优异，尤其在对抗环境和智能交通系统中具有广泛应用潜力。

本研究提出了多种新方法以改善可见光-红外行人再识别（Re-ID）性能，包括跨模态特征学习、无监督匹配框架和参数优化策略。实验结果表明，这些方法在标准数据集上优于现有技术，显著提高了识别准确性。

本研究提出了一种高效的视频合成方法，利用条件图像扩散模型实现时间一致的合成到真实视频转换，保持时空一致性。通过光流信息和联合噪声优化，减少时空不一致性，实验结果表明该方法在视觉质量和一致性方面优于其他基线方法。

本文介绍了多种针对无人机和红外小目标检测的先进算法，如YOLO-Drone、YOLO-MS和YOLOv7。这些算法在不同数据集上表现优异，尤其在夜间和复杂背景下的检测能力显著提升，展示了深度学习在目标检测领域的应用潜力。

本文介绍了一种基于时间序列的视频人员重识别方法，利用动态时间扭曲模型实现自动对齐和匹配。研究提出了多种框架和数据集，提升了可见光与红外人员重识别的性能，并解决了异构摄像头间的身份关联问题。实验结果表明，该方法在多个数据集上表现优越，为该领域的进一步研究奠定基础。

本文介绍了多种基于Transformer的目标检测模型，如ReDet、3DETR和RSDet。这些模型在不同数据集上表现优异，显著提高了检测精度并减少了参数量。同时，研究提出了新型损失函数和空间对齐方法，增强了对旋转物体的检测能力，展示了在复杂环境下的有效性和高效率。

本文介绍了一种结合物理学与机器学习的方法，用于预测大气湍流强度。研究提出了多种模型和框架，包括物理整合的修复网络、基于物理启发的转换器模型和生成对抗网络，旨在提升湍流条件下的图像质量和数据预测准确性。

本研究提供了一个大规模可见 - 红外视频跟踪基准，名为 VT-MOT。该基准包含了大量来自监控、无人机和手持设备的视频序列对，并经过专业人员进行了精确的空间和时间对齐以及密集和高质量的标注。为了建立一个强大的基准线，研究设计了一个简单而有效的跟踪框架，通过渐进方式有效地融合两种模式的时间信息和互补信息，实现了可靠的可见 - 红外跟踪。在 VT-MOT...

本文探讨了生成对抗网络（cGANs）在热像生成中的应用，比较了pix2pix和CycleGAN的性能，结果显示pix2pix表现更佳。研究强调个性化训练的重要性，并提出了一种多模态框架用于自动疼痛评估，取得了46.76%的准确率。此外，改进的图像配准方法显著提高了热成像图像质量，展示了生成模型在医疗领域的潜力。

本研究利用机器学习框架关联高速彩色成像与熔池特征，检测过热异常并优化激光粉床熔融过程。通过生成性深度学习模型实现低保真度模拟向高保真度映射，提高了熔池深度预测的效率。同时，探讨了数字孪生模型在熔池几何和缺陷识别中的应用，推动增材制造的产品开发与认证。

本文探讨了多种红外物体跟踪方法，特别是利用合成数据和深度学习技术的模型。研究表明，合成数据训练能显著提升跟踪性能，结合自然语言描述和多模态框架也能提高目标定位的准确性。多个实验验证了这些方法在不同基准测试中的优越表现。

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。