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。

该研究提出了一种新型频率驱动特征分解网络FD2-Net，有效解决红外-可见物体检测中的视频率特征问题，显著提升复杂环境下的检测性能。

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。

本文提出了一种基于二次风险最小化的统一非局部去噪方法NL-Ridge，结合无偏风险估计和深度学习的“内部适应”概念，通过补丁线性组合实现去噪，效果优于现有算法。

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。

本研究提出了FCDFusion方法，通过在RGB空间操作和引入伽玛校正，提高了传统图像融合方法的计算效率和色彩保真度。实验表明，该方法每像素仅需7个FLOP，计算成本减半，同时提升了对比度。

本文介绍了Patch-DM算法，用于生成高分辨率图像。该算法通过特征拼贴策略预测移位图像块的特征，实现无缝生成。Patch-DM在多个数据集上获得高质量的图像合成结果，并减少内存复杂度。

本研究构建了新数据集InfraTiny，解决了红外小物体检测中的低信噪比和数据集缺乏问题。通过集成多尺度注意机制模块和特征融合增强金字塔模块到YOLO模型中，Infra-YOLO的红外小物体检测性能显著提升，尤其在嵌入式设备上表现出色，实现了速度与精度的有效平衡。

本文提出了一种用于增强DET R的通用方案，通过引入编码器构建位置关系嵌入，将DET R扩展为对比关系流水线，解决了非重复预测和正面监督之间的冲突。实验证明该方法在COCO val2017上获得了显著的改进，并具有更快的收敛速度。同时，该方法还提出了一个类无关的检测数据集，提高了通用目标检测的潜力。

提出了一种新型混合框架，基于物理学信息生成和深度学习预测模型，能够产生与基础降级趋势一致的合成TTF轨迹，提高了剩余寿命预测的准确性。

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...

通过AHDI技术，使用面部表情作为主要工具，将面部视频编码为RGB图像，并应用深度模型进行视频表征，引入了自动疼痛强度估计方法。在两个任务上取得了令人鼓舞的结果，提高了疼痛评估的精度，提供了更好的疼痛管理。

通过生成性深度学习模型，实现了低保真度模拟信息向高保真度对应物的映射，无需多次高保真度模拟分析。通过二维扩散模型展示了熔化过程的关键度量，并在低保真度输入数据的基础上预测了熔池深度，降低了分析时间。

本文提出了一种联合多模态追踪框架，通过提示调制模块和统一目标解码模块实现了时间视觉模板和语言表达之间的补充性，并直接在搜索图像上执行整合的查询，以一步预测目标位置。实验证明该方法在追踪和地面连接方面具有竞争性能。

高分辨率遥感卫星的发展为遥感研究带来便利。研究者提出了RSAM-Seg，对SAM模型进行了修改，消除了手动干预的需求。实验证明，RSAM-Seg在云、建筑物、场地和道路场景中的效果优于原始SAM和U-Net，并具有辅助注释和处理有限数据集的潜力。

本文提出了一种简单而有效的可见光和红外图像融合框架SimpleFusion，通过Retinex理论将可见光和红外图像分解成反射和光照部分，并进行相应元素的融合。采用两个简单的卷积神经网络设计，能够高效地执行图像分解和融合，实验证明该方法优于之前最先进的方法。