本技术涉及医学图像处理技术领域，尤其为一种基于视觉自注意力神经网络的虚拟增强CT生成方法，其步骤包括:收集200例以上鼻咽癌患者的MRI与CT影像数据，经标准化、重采样、剪裁和归一化预处理后，用CycleFCNs神经网络进行形变配准，再以基于视觉自注意力机制的VIT神经网络模型合成虚拟增强CT，最后用统计学方法评估其与真实CT的相似度以优化模型。本发明，利用先进神经网络技术，充分融合多模态MRI信息，有效提高配准精度，生成的虚拟增强CT准确性高，能为放疗提供可靠依据，提升临床应用价值，助力鼻咽癌精准放疗，在医学图像处理领域具有重要意义和广阔应用前景。

 本技术涉及一种基于点云数据的危岩体自动化切割与精确模型构建方法，属于危岩体分割与三维模型构建领域。本发明通过结合无人机获取的点云数据以及节理面的倾向倾角信息，提出了一种能够实现危岩体节理面准确分割和生成精确模型的自动化方法，该危岩体精确模型中的真实节理面为曲面网格。本发明旨在提高对危岩体三维模型的建模效率和准确性，避免手动分割带来的复杂性和误差；且本发明能克服传统的平面结构面切割导致危岩体模型不准确的问题，该精确模型能使对危岩体的静力学分析和动力学研究更为准确，从而为危岩体可能带给人类的生命和财产安全风险提供保障。

 本技术涉及数据处理技术领域，尤其涉及一种基于雷达与视觉融合的大件运输车辆识别方法及系统。所述方法包括以下步骤:通过雷达监测设备采集运输车途中监测雷达信号；根据运输车途中监测雷达信号进行雷达信号的运输车特性分析，生成运输车特性数据；利用高分辨率监控设备采集运输车途中视觉数据；根据运输车途中视觉数据进行运输车途中视觉特征分析，生成运输车途中视觉特征数据；根据运输车特性数据以及运输车途中视觉特征数据分别进行运输车外部异构数据映射及运输车动态特征模式识别，分别生成运输车外部异构数据矩阵以及运输车动态特征模式数据。本文基于雷达与视觉融合进行大件运输车的车辆识别，更全面的识别大件运输车的车辆信息。

 本技术公开了一种新场景下目标检测性能自适应度量方法。该方法包括:融合光照、色偏和散度估计度量背景差异(S1)，其中，计算训练场景和应用场景的背景差异指标的统计量(S1‑1)；在此基础上，将训练场景作为正常场景，对应用场景进行分类，分为正常、高动态、强光、低照度、色偏以及低能见度场景，作为场景间背景差异的度量(S1‑3)。综合标签偏移和特征偏移度量目标差异(S2)；其中，通过KS检验计算标签偏移结果(S2‑1)；使用训练场景和应用场景中图像检测结果的目标特征熵计算特征偏移结果(S2‑2)；作为目标差异的度量结果。与现有方法不同，本发明方法不仅能够判断场景间是否存在域差异，还能细粒度地分析场景的域差异的类型。可以提升目标检测算法在新场景下的性能。

 本技术公开了一种基于自协作并行生成对抗网络的无监督真实图像去噪方法。主要包括以下步骤:利用噪声的可叠加性，构造基于初始降噪器的噪声提取模块，用于对真实图像的噪声成分进行提取；采用并行生成对抗分支框架，分支1先通过非配对合成的方式合成伪真实噪声图像再通过自合成的方式合成噪声图像，即“非配对合成—自合成”；分支2先通过自合成的方式合成噪声图像再通过非配对合成的方式合成伪真实噪声图像，即“自合成—非配对合成”；采用自协作策略，每次迭代后用当前更收敛的去噪器取代之前较弱的去噪器，直到去噪器完全收敛，完成网络训练并得到最终模型。本发明所述的方法能够很好地去除真实图像上的噪声，是一种有效的图像去噪方法。

 本技术公开了一种基于采样差异作为扰动的自监督真实图像去噪方法。主要包括以下步骤:提出并使用随机子样本生成策略以获得更多的子样本；根据随机子样本生成策略而提出一种采样差异损失函数；将循环策略引入损失函数的构建，提出循环采样差异损失函数；通过上述步骤对去噪网络进行训练，以得到去噪模型，然后将带有噪声的图像作为输入，通过训练好的网络模型，得到高质量的去噪图像。本发明所述方法可以不需要干净图像进行训练并且优于现有的伪监督/自监督方法，是一种有效的自监督真实图像去噪方法。

 本技术提供了一种基于单幅RGB图像的高光谱重建方法，具有这样的特征，高光谱重建模型包括:锥形多尺度特征提取模块，用于对单幅RGB图像经由切片分区处理后的特征映射进行特征提取，得到浅层区域聚合特征；多个依次连接的多尺度自适应残差注意模块，用于对浅层区域聚合特征进行处理，得到深层特征；组合处理模块，用于对深层特征进行卷积和激活函数处理，得到高光谱图像，其中，多尺度自适应残差注意模块包括顺次连接的锥形多尺度特征提取模块、最优非局部模块、像素自注意力模块、LayerNorm模块和多层感知机模块。总之，本方法能够提高重建的高光谱图像的精度。

 本文公开了一种预训练模型的高效微调方法、装置、服务器及存储介质，该方法包括:获取第一文本特征和图像提示特征，第一文本特征是根据预设的实体类别文本信息和可学习文本提示信息进行编码生成的，图像提示特征是对第一输入图像对应的实体类别图像分块和预设的可学习视觉提示参数进行编码所生成的；对图像提示特征进行掩码处理，生成第一掩码图像特征，并利用预设的多模态掩码重建网络处理第一掩码图像特征和第一文本特征，生成重构图像；计算第一输入图像与重构图像的损失值，并根据损失值对预训练模型的参数进行微调。通过本申请，解决相关技术中基于提示的预训练视觉语言模型的参数微调方法，准确率低且在下游任务中的迁移能力弱的问题。

 本技术提供一种眼象图质量控制方法、装置、存储介质和设备，属于图像识别术领域，方案在获取到眼象图后，先对眼象图进行分类，得到眼象图对应的视角类别，获取与所识别到的视角类别相匹配的眼象图判断条件，然后再对眼象图进行处理，得到眼象图的黑白睛语义分割掩码图，再识别得到黑白睛语义分割掩码图中的黑睛区域的区域信息以及白睛区域的区域信息，最后再基于眼象图判断条件对黑睛区域的区域信息以及白睛区域的区域信息进行分析，基于分析结果判断眼象图是否合格，从而对眼象图是否合格的判断标准进行统一，以便于后续对眼象图进行分析，并且判断过程快速，效率高，人工参与率低，解决了眼象图质量参差不齐的情况。

 本文涉及一种图像处理方法及装置，所述方法包括:获取原始图像以及针对所述原始图像的需求表述；对所述原始图像进行切块处理，得到多个局部图像块，其中，每个所述局部图像块为所述原始图像中相应的局部区域；对所述原始图像进行分辨率调整，得到目标图像，其中，所述目标图像的分辨率与每个所述局部图像块的分辨率一致；对多个所述局部图像块、所述目标图像以及所述需求表述进行处理，得到所述需求表述对应的答案表述。如此采用对原始图像进行切块的手段可以扩大处理高分辨率图像的能力，可以实现对高分辨率图像进行很好的处理。