本研究提出LISAt模型，针对复杂用户查询的多对象识别问题，通过新数据集GRES进行训练，提升遥感图像的理解与分割能力，超越现有模型，推动遥感图像分析的发展。

本研究提出了一种变化适配网络（CANet），旨在解决遥感图像变化检测方法的泛化性能差的问题。CANet结合了共享与特定学习模块，通过轻量级适配器有效应对数据差异，快速适应新任务。实验结果表明，其在多个数据集上表现优异。

该研究提出了一种新框架，通过微调开放集对象检测器，整合遥感图像中的对象检测与视觉定位，显著提高了检测效果。

本研究提出了MapGlue框架和MapData数据集，有效解决了多模态遥感图像匹配中的几何、辐射和视角差异问题，展现出高匹配精度和良好的泛化能力。

本研究提出了一种相关性感知协方差加权（CACW）方法，以解决遥感图像融合中的特征异质性和冗余性问题。通过引入通用自适应双层加权机制（ADWM），显著提升了性能。实验结果表明，ADWM优于现有的最新方法。

本文探讨自监督学习在视觉变换器中的应用，提出RoMA框架，通过旋转感知预训练和多尺度令牌预测，提升高分辨率遥感图像的可扩展性。实验结果表明，RoMA预训练的Mamba模型在准确性和计算效率上优于基于ViT的模型。

本研究利用高分辨率遥感图像检测非法垃圾倾倒，旨在解决全球环境犯罪问题。通过优化分类器，提高地方环保机构的工作效率，展现了跨境应用的潜力。

本研究提出了一种基于解释引导修剪的通信高效联邦学习方法，旨在降低遥感图像分类中的通信开销。通过层次相关传播策略，识别并传递最相关的模型参数，从而减少模型更新数量，提高全局模型的泛化能力。实验结果表明，该方法显著提升了通信效率和模型有效性。

本研究提出了一种基于生成对抗网络的深度迁移学习方法，针对遥感图像中的云去除问题，采用新颖的掩模自编码器进行图像重构，效果优于其他GAN方法。

本研究提出了CC-Diff方法，解决了遥感图像合成中背景与前景交互缺失的问题，增强了上下文连贯性。实验结果表明，该方法在视觉真实感、语义准确性和位置精度上优于现有技术，显著改善了遥感及自然图像的合成效果。

本研究提出了一种新颖的端到端学习方法，结合知识指导与领域优化，显著提升了细粒度遥感图像中的对象识别性能。

本研究提出了新模型CCExpert，结合差异感知集成模块与高质量数据集CC-Foundation，显著提升了遥感图像变化检测的性能，展现出巨大潜力。

本研究比较了视觉变换器（ViT）与卷积神经网络（CNN）在遥感图像语义分割中的表现。通过加权融合损失函数，显著提升了CNN的性能，为遥感图像处理提供了新视角。

本研究提出LHRS-Bot-Nova，一种改进的多模态大语言模型，专注于遥感图像理解。该模型通过增强视觉编码器和新桥接层，优化视觉压缩和语言视觉对齐，显著提升遥感任务的效率和精确性。

本文提出了一种无训练的框架ImageRAG，旨在解决超高分辨率遥感图像分析的挑战。通过将图像分析转化为长上下文选择任务，ImageRAG有效提升了遥感多模态大语言模型的信息检索准确性和效率。

本研究提出了一种新方法LRSAA，结合YOLOv11与MobileNetV3-SSD算法，解决大面积遥感图像的目标识别与自动标注问题，优化计算资源需求，实现准确性与速度的平衡。

本研究提出了一种新的视频模型MV-CC，旨在简化遥感图像变化描述中的特征提取，实验结果显示该模型性能优于其他先进方法。

我们提出了SFFNet框架，通过两阶段网络设计，结合空间和频域特征，解决遥感图像灰度变化问题。引入小波变换特征分解器和多尺度双重表示对齐滤波器，实验结果表明其在mIoU指标上优于现有方法。

本研究提出了一种高效的弹性扩散基础超分辨率模型（E$^2$DiffSR），旨在提升遥感图像的超分辨率重建效率和视觉质量。

本研究提出了RemoteDet-Mamba多模态检测网络，专注于提升无人机遥感图像中小物体的检测能力。通过四向选择性扫描融合策略，增强了小物体的区分能力和类别辨别率。实验结果表明，该方法在检测精度上优于现有技术，同时保持了计算效率和模型参数的数量。