本技术提供基于相对非均匀高斯模糊的z‑stack图像快速配准方法，包括:输入z‑stack图像g1和z‑stack图像g2，通过相对二次梯度能量RGE，选取两幅图像中边缘丰富且相对高斯模糊的图像块Ω(u

本技术实施例提供了一种阴影图确定方法及装置，获取应用场景的当前视频帧和当前视频帧的前一视频帧；分别获取当前视频帧的第一3D视锥和前一视频帧的第二3D视锥；分别对第一3D视锥和第二3D视锥进行分割获得第一类子3D视锥和第二类子3D视锥；对分割结果进行排序，将序号相同的第一类子3D视锥和第二类子3D视锥确定为子3D视锥对；计算子3D视锥对的子3D视锥的中心点在预设坐标系中坐标的变化值；若不存在大于预设值的变化值，将前一视频帧中已显示的物体的阴影图确定为当前视频帧中待显示的物体的阴影图；若存在绘制当前视频帧中待显示的物体的阴影图，能够使应用场景中物体的影子更加真实，提高用户在应用场景中的用户体验。

 本技术公开了一种基于融合注意力的全局到局部关键点定位方法及装置，包括以下步骤:步骤1：用摄像头采集图片并标注其关键点，对图片数据进行预处理构建关键点定位数据集；步骤2：构建全局回归模型并进行监督训练；步骤3：在全局回归模型的基础上构建局部回归模型，通过联合损失对其进行监督训练；步骤4：将预处理后的图片输入全局回归模型得到关键点预测坐标。本发明提出的全局回归模型提取图像深层特征，将与关键点相关的图像特征融合并映射到热图空间，实现在整张图片上的关键点高精度定位。此外，融合注意力模块能够有效捕捉全局特征和局部特征间的关系，引导图像全局特征向局部特征靠拢，实现在局部块内逐渐精确定位关键点坐标。

 本技术公开了一种结构引导的多先验输入图像增强方法及装置，包括以下步骤:步骤1：收集低质量图像以及对应的高质量图像构成数据集；将数据集划分为训练集、验证集和测试集；步骤2：构建多视角输入增强网络，多视角输入增强网络用于对低质量图像进行初步的增强；并设计多视角增强联合损失函数Lmve，指定训练轮次，对多视角输入增强网络模型进行训练与优化，并保存最优模型的权重；步骤3：构建结构引导增强网络，结构引导增强网络基于结构提取模块提取的结构信息对图像数据进行二次增强；并设计结构引导增强联合损失函数Lsge，指定训练轮次，对结构引导增强网络模型进行训练与优化，并保存最优模型的权重。

 本技术提供一种面向航空发动机零件增强现实装配引导的空间定位和跟踪注册方法，解决了现有技术中面对复杂场景时，小目标检测难、位姿估计精度低和实时性差的问题。本方法通过改进YOLOv8目标检测模块，引入自适应权重调整机制，对航空发动机中的零件进行精确识别；并用SAM‑6D模型执行精细化分割，提取零件的精确轮廓和六自由度姿态信息，与预定义的CAD模型进行比对和注册，确保零件的安装和维护位置精度；此外，还引入置信度评分、调整误差和优化评价标准，结合L‑M优化算法，实时跟踪零件的姿态变化，提供动态调整反馈。本发明提出的方法适用于航空发动机装配与维护场景中复杂零件的精确定位和高效跟踪，提高了检测和位姿估计的实时性与精度。

 本技术公开了一种基于双频交互增强与双目匹配的立体图像质量评价方法，属于立体图像质量评价技术领域。本发明包括以下步骤:把原始立体图像的左右视图分割成不重叠的图像块，作为网络的输入样本；使用FFT将左右视图图像块转换到频域并按高低频分解，使用IFFT还原得到左右视图高频与低频图像块，然后使用一组卷积和池化操作提取左右视图的高频与低频图像块的初级特征；高低频初级特征通过双频率交互注意力模块进行交互增强后，送入一个双频率重组模块得到高低频加权特征图；同时将左右视图图像块送入一组卷积和池化提取全频率初级特征，并利用高低频信息进行特征增强；增强后的全频特征通过双目匹配融合模块进行双目渐进式配准与竞争选择后得到双目融合特征；双目特征融合特征通过两组卷积进一步提取特征，与左右视图高低频重组特征拼接后，经过全连接层得到客观预测分数。本发明能够较好地模拟人类视觉系统的双目融合与竞争机制，利用不同空间频率信息对质量感知的影响，提高客观评价方法的准确性。

 本技术提供了一种基于扩散模型的图像生成方法，涉及图像处理技术领域，该方法包括构建并初始化应用于图像生成领域的初始扩散模型，并对初始扩散模型进行二值化处理；将经二值化处理的扩散模型的所有二值结构替换为时间步友好的二值扩散模型结构，得到二值扩散模型；利用空间分块蒸馏对二值扩散模型进行训练，得到训练后的二值扩散模型；利用训练后的二值扩散模型生成图像任务。本发明解决了传统二值扩散模型生成图像时的崩溃问题。

 本技术涉及计算机视觉的对抗攻防领域，具体涉及一种基于图像预处理的对抗样本防御模型的构建方法，其对抗样本防御模型包括用于对样本进行重构的自编码器和用于对重构样本进行分类的图像分类模型；自编码器采用干净样本进行自回归训练，学习干净样本的先验分布；图像分类模型的训练，首先通过自编码器对对抗样本进行优化，然后利用优化获得的对抗样本进行训练，通过将干净样本的分布信息纳入训练过程，使对抗样本在流形上保持与干净样本更接近的分布，克服现有技术由于忽视了数据分布而导致的问题；在对抗防御过程中，首先通过自编码器重构样本，能大幅削弱攻击强度，并大幅提升鲁棒性。适用于各类图像分类领域，尤其是航空航天等高精度领域。

 本技术公开了一种基于深度孪生自注意力网络的复杂目标识别方法，涉及目标识别方法技术领域。本发明应用基于滑窗多头自注意力变换机制的孪生网络，增强了特征提取网络的全局建模能力以及长距离语义信息的获取效率，改善了底层特征提取能力和高级语义信息的抽象效果；孪生网络个性化建模，改善了特征分割效果；网络整体构成U型结构，局部对称的编码器解码器结构，补充全局上下文信息，强化了语义信息空间关联；加入了残差链接，以高效率训练深层网络，增强识别精度；并通过加入自适应图像特征尺度输入处理，对输入图像进行自适应尺度变换，实现了端到端语义分割精确结果，并实现了多尺度输入以增强网络模型的泛化能力及精确度。

 本技术提供了一种居家场景多维度气血状态评估方法及相关设备，采用本发明的方法，结合了面部图像、舌象图像以及rPPG波形特征的相关特征，本发明中将多模态数据的融合可以提供更全面和精确的居家场景多维度气血状态评估。这种方法可以克服单一数据源的局限性，提供更具可靠性和准确性的评估结果；具备高效、无创、个性化、可靠性强等显著优势。通过结合多种特征的综合分析，本发明的方法可以为用户提供更精准的气血评估服务，具有广阔的应用前景。