本研究针对城市环境中传统与深度学习模型整合到联邦学习框架中所面临的挑战，提出了一种新的算法Fed-LDR。该算法通过局部数据驱动的图创建模块和节点中心模型优化模块，提升了城市时空数据分析的能力，最终在多个数据集上显著提高了性能，MAE和RMSE分别降低了最高达81%和78%。

该研究提出了一种无监督学习的多尺度曝光融合算法，解决了在HDR场景中将不同曝光的LDR图像融合成高质量LDR图像的问题。通过新颖的损失函数和多尺度策略，算法显著提高了图像质量，保留了场景深度和局部对比度。实验结果显示，该算法优于现有方法。

计算机视觉中，特征点表示具有独特属性的图像区域，如角点、边缘、纹理或对比度高的区域。本研究系统地回顾了使用高动态范围（HDR）图像作为输入的图像检测和描述算法，通过比较低动态范围（LDR）和 HDR 图像的性能，发现使用 HDR 图像作为检测算法的输入可以提高性能，并且 SfHDR 和 HfHDR 算法可以增强特征点描述。