提出一种多层特征图信息融合的海滩小目标检测方法，从上下文信息与强化特征图信息融合的角度提升小目标游客的检出率。首先，透过更全面、有效的GAM注意力机制思想结合CSP结构提出GCSAM结构，用于增强检测YOLOv5模型中主干网络跨纬度感受区，聚焦小目标特征学习；其次，在颈部融合端使用BIFPN结构优化YOLOv5网络中PANet结构，补全跨层特征信息之间的传递，使得特征图包含更多的上下文信息；最后，采用幂变换改进YOLOv5网络中CIOU_Loss为Alpha‑CIOU_Loss，有效提升预测框的回归精度。实验证明，在满足实时性要求的前提下，相比于原始YOLOv5网络，文中方法在海滩小目标游客检测上查准率提升2.00%，查全率提升5.33%，平均精度均值提升4.36%。文中方法在海滩小目标游客密集、遮挡、目标更小的情况下具有更好的鲁棒性。

提出了一种基于深层特征嵌入的高分辨率人脸图像重建方法，利用预训练的StyleGAN2生成对抗网络模型作为人脸图像生成器，并将深层特征嵌入到StyleGAN2的W⁺空间中，通过梯度下降法优化w⁺向量，并将优化后的w⁺向量输入到StyleGAN2中生成分辨率为1 024×1 024的重建人脸图像。实验结果表明，重建图像与对应真实人脸图像不仅在视觉上有着较高的相似性，且在同一特征提取网络下，LFW和ColorFeret数据集的重建图像在FAR为0.1%时Ⅱ型评估TAR分别为96.04%和100.00%，并且在两种不同的活体检测程序下的通过率分别达到了88.67%和74.67%。所提方法在实现重建高分辨率人脸图像的同时，与真实人脸图像的特征相似度方面也表现优秀。

由于光在水下存在吸收与散射，导致水下图像存在颜色失真和细节损失，严重影响了后续水下目标的检测和识别。本文提出了一种轻量级全卷积层的生成式对抗神经网络模型（DUnet-GAN）来增强水下图像。针对水下图像的特点，提出了多任务目标函数，使得模型从感知图像的整体内容、颜色、局部纹理和风格信息等方面来增强图像的质量。此外，与现有的一些重要的模型做了对比，进行了定量的评估。结果表明，在EUVP数据集中本文所提模型峰值信噪比在26 dB以上，结构相似度为0.8，参数量为11 MB，仅为其他达到同等性能模型参数量的5%且比26 MB参数量的FUNIE-GAN指标更好。同时UIQM为2.85，仅次于Cycle-GAN模型，且主观增强效果显著。更重要的是，增强后的图像为水下目标检测等模型提供了更好的性能，也满足了水下机器人等设备对模型的轻量化要求。

文章以Al₂O₃/PMMA交叠薄膜为例，在其交叠界面处引入波浪形结构，通过增加Al₂O₃在弯曲方向的实际长度改善其力学性能。采用有限元仿真方法对Al₂O₃/PMMA交叠薄膜结构进行建模，分别研究了波浪形结构形貌、周期、深度和PMMA厚度等参数对交叠薄膜弯曲性能的影响规律。仿真结果表明，波浪形界面结构能较大提高交叠薄膜的弯曲性能，当波浪形结构的周期在500~1 500 nm，深度在600~1 600 nm范围内，PMMA厚度为6 μm时，交叠薄膜具有较好的弯曲性能，相比于没有引入界面结构的交叠薄膜，同等条件下产生的最大应力下降了超过70%，有效提升了封装薄膜的弯曲性能，对后续无机/有机交叠薄膜的制备工艺具有指导意义。