The ability to overcome the negative effects, induced by obstacles and turbulent atmosphere, is a core challenge of long-distance information transmission, and it is of great significance in free-space optical communication. The spatial-coherence structure, that characterizes partially coherent fields, provides a new degree of freedom for carrying information. However, due to the influence of the complex transmission environment, the spatial-coherence structure is severely damaged during the propagation path, which undoubtedly limits its ability to transmit information. Here, we realize the robust far-field orbital angular momentum (OAM) transmission and detection by modulating the spatial-coherence structure of a partially coherent vortex beam with the help of the cross-phase. The cross-phase enables the OAM information, quantified by the topological charge, hidden in the spatial-coherence structure can be stably transmitted to the far field and can resist the influence of obstructions and turbulence within the communication link. This is due to the self-reconstruction property of the spatial-coherence structure embedded with the cross-phase. We demonstrate experimentally that the topological charge information can be recognized well by measuring the spatial-coherence structure in the far field, exhibiting a set of distinct and separated dark rings even under amplitude and phase perturbations. Our findings open a door for robust optical signal transmission through the complex environment and may find application in optical communication through a turbulent atmosphere.

针对大多数图像超分辨率重建方法利用单尺度卷积进行特征提取，导致特征提取不充分的问题，提出基于多尺度自适应注意力的图像超分辨率网络。为充分利用各个层次特征中的上下文信息，设计了多尺度特征融合块，其基本单元由自适应双尺度块、多路径渐进式交互块和自适应双维度注意力依次串联组成。首先，自适应双尺度块自主融合两个尺度的特征，获得了更丰富的上下文特征；其次，多路径渐进式交互块以渐进的方式交互自适应双尺度块的输出特征，提高了上下文特征之间的关联性；最后，自适应双维度注意力自主选择不同维度注意力细化输出特征后，提高了输出特征的鉴别力。实验结果表明，在Set5， Set14， BSD100和Urban100测试集上，本文方法在PSNR和SSIM定量指标上相比于其他主流方法相均有提升，尤其对于纹理细节难以恢复的Urban100测试集，本文方法在比例因子为×4时，相较于现有最优方法SwinIR，PSNR和SSIM指标分别提升了0.05 dB和0.004 5；在视觉效果方面，本文的重建图像具有更多的纹理细节。

针对铁谱图像获取时人工对焦误差大、速度慢等问题，提出了一种融合全局信息和局部信息的铁谱图像自动对焦方法。此方法分为两个阶段：全局对焦阶段利用卷积神经网络(Convolutional Neural Networks，CNN)提取整幅图像的特征向量，并利用门控循环单元(Gate Recurrent Unit，GRU)融合对焦过程提取的特征，预测当前全局离焦距离，起到粗对焦的作用；局部对焦阶段提取磨粒的特征向量，利用GRU融合当前特征与前一轮对焦提取的特征，并依据最厚磨粒信息，预测当前磨粒离焦距离，起到精对焦的作用。同时，为了提高对焦准确率，提出了结合拉普拉斯梯度的对焦方向判定法。实验结果表明，此算法在测试集上的对焦误差为2.51 μm，当景深为2.0 μm时对焦准确率为80.1%，平均对焦时间为0.771 s。本文提出的自动对焦方法具有较好的性能，为铁谱图像自动准确采集提供了技术支持。

针对多模态医学图像融合中存在纹理细节模糊和对比度低的问题，提出了一种结构功能交叉神经网络的多模态医学图像融合方法。首先，根据医学图像的结构信息和功能信息设计了结构功能交叉神经网络模型，不仅有效地提取解剖学和功能学医学图像的结构信息和功能信息，而且能够实现这两种信息之间的交互，从而很好地提取医学图像的纹理细节信息。其次，利用交叉网络通道和空间特征变化构造了一种新的注意力机制，通过不断调整结构信息和功能信息权重来融合图像，提高了融合图像的对比度和轮廓信息。最后，设计了一个从融合图像到源图像的分解过程，由于分解图像的质量直接取决于融合结果，因此分解过程可以使融合图像包含更多的细节信息。通过与近年来提出的7种高水平方法相比，本文方法的AG，EN，SF，MI，Q^AB/F和CC客观评价指标分别平均提高了22.87%，19.64%，23.02%，12.70%，6.79%，30.35%，说明本文方法能够获得纹理细节更清晰、对比度更好的融合结果，在主观视觉和客观指标上都优于其他对比算法。

红外图像去雾是指通过去除雾霾、烟雾等介质对红外图像的影响，恢复红外成像系统对比度和视觉质量的过程。红外图像凭借全天时、不受光照限制等优势，在**、安防、医疗、能源勘探等领域广泛地应用。然而，由于大气介质对红外图像的干扰，这些应用往往受到限制，因此红外图像去雾成为一个重要的研究领域。近年来，随着计算机视觉、深度学习等技术的不断发展，红外图像去雾技术也取得了一系列重要进展，为红外图像应用的发展提供了强有力的支持。根据红外图像去雾过程中所依赖数据的不同，将现有的红外图像去雾方法划分为多信息融合和单帧图像处理两大类，其中多信息融合因为需要额外的信息来帮助图像恢复而使其应用受到限制；而目前基于单帧图像处理的主流方案包括图像增强和图像重建两个发展方向。对各种分类的代表算法进行了简要梳理，并分析了其原理、优势及不足。最后，对红外图像去雾的发展趋势做出了预测。该工作既可以帮助初学者快速了解该领域的研究现状和发展趋势，也可作为其他研究者的参考资料。