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。

本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架，提出了ACDMSR模型，通过预训练的超分辨率模型实现高质量图像重建。研究探讨了多种扩散模型在遥感图像超分辨率中的应用，实验结果表明该方法在多个数据集上表现优越。

本文介绍了MiniVLM和MobileVLM等视觉-语言模型的进展。MiniVLM通过高效特征提取器和MiniLM结构，显著减少了模型大小和推理时间，同时保持高准确率。MobileVLM专为移动设备设计，性能与大型模型相当。此外，研究构建了高质量遥感图像数据集HqDC-1.4M，提升了模型的空间感知能力，并提出了H2RSVLM模型，增强了模型的真实性和可靠性。

本文介绍了一种基于对比学习和自我训练的语义分割方法，适用于遥感图像。GeoMultiTaskNet模型通过地理坐标对源领域和目标领域进行信息对齐，并采用动态类别抽样策略，显著提升了分割性能。此外，研究提出了无监督领域适应方法和高/低频分解技术，以增强跨领域的表示对齐和泛化能力，并验证了其在多个基准数据集上的有效性。