本文档属于类型b（综述类论文），由西北工业大学计算机学院的张艳宁、王昊宇、闫庆森、杨佳琪、刘婷、符梦芹、吴鹏、张磊团队撰写，发表于《Journal of Image and Graphics》2025年第6期（Vol. 30, No. 6）。论文题为《面向复杂动态场景的无人移动视觉技术研究进展》（Research Progress of Unmanned Mobile Vision Technology for Complex Dynamic Scenes），系统梳理了无人移动视觉技术在复杂动态场景中的关键技术进展、挑战及未来方向。以下为详细内容：

1. 研究背景与主题

无人移动视觉技术是无人系统的核心组成部分，通过视觉数据感知和理解复杂动态场景。随着深度神经网络的普及，该技术成为自动化领域的基准模型，但实际应用中仍面临成像环境复杂（光照变化、天气干扰）、目标高速机动与伪装、任务多样性等问题，导致模型性能退化。本文围绕五大关键技术展开综述：图像增强、三维重建、场景分割、目标检测识别、异常检测与行为分析。

2. 关键技术与研究进展

2.1 图像增强处理

目标：提升低质量图像的可用性，应对噪声、模糊、低分辨率等问题。
- 图像去噪：分为空间域（如中值滤波）、变换域（如小波变换）和基于深度学习的方法（如DnCNN）。实验显示，MaskDenoising模型对高斯噪声和椒盐噪声处理效果最佳，DIL模型在泊松噪声场景表现优异。
- 图像去模糊：传统方法依赖先验设计（如L2正则化），深度学习方法（如Restormer、Uformer）利用Transformer架构提升了非均匀模糊的处理能力。K3DN模型在DPD-Blur数据集上PSNR达47.21 dB，优于其他模型。
- 图像超分辨率：包括显式建模（退化核估计）和隐式建模（域转换技术）。BSRGAN在NTIRE-RWSR数据集的LPIPS指标表现最佳，但Real-ESRGAN在视觉效果上更优。

挑战：实时性、噪声敏感性及细节保留问题需进一步优化。

2.2 三维重建

分多视图几何重建与神经隐式表征重建两类：
- 传统多视图几何（如ACMP、TAPA-MVS）通过平面先验和几何一致性处理低纹理区域，但依赖高精度相机标定。
- 深度学习方法（如MVSNet、TransMVSNet）通过成本体积和级联策略降低内存占用，但动态场景适应性不足。
- 神经隐式表征（如DeepSDF、高斯泼溅）通过连续函数表达几何，支持高分辨率重建。Yang等人（2024b）结合变形场与高斯泼溅，实现了动态单目重建的突破。

问题：复杂拓扑重建和实时性仍需改进。

2.3 场景分割与目标检测

• 场景分割：基于CNN和Transformer的分割网络（如Mask R-CNN、Swin Transformer）实现了语义区域划分，但需应对遮挡和动态目标。
  
• 目标检测：YOLO系列和DETR模型在速度与精度间权衡，但伪装目标检测仍是难点。
  

2.4 异常检测与行为分析

通过时空建模（如3D CNN、时空图网络）识别异常事件，但在复杂交互场景中泛化能力有限。

3. 技术挑战与未来方向

• 图像增强：需开发轻量化、自适应的通用增强框架。
  
• 三维重建：结合物理模拟与神经渲染提升动态场景重建精度。
  
• 多任务协同：设计统一架构以应对任务多样性，如多模态融合（可见光+红外）。
  
• 实时性优化：针对边缘计算设备开发低功耗算法。
  

4. 论文价值与意义

• 学术价值：系统综述了无人移动视觉技术的瓶颈与解决方案，为后续研究提供理论框架。
  
• 应用价值：在自动驾驶、无人机侦察、安防监控等领域具实践指导意义，如BSRGAN和K3DN模型的工业应用潜力。
  
• 创新点：提出神经隐式表征与动态场结合的思路，为动态场景重建开辟新路径。
  

5. 主要贡献

1. 首次全面分析复杂动态场景下五大关键技术的互操作性。
   
2. 对比了16种经典算法的性能（如MaskDenoising、TransMVSNet），提供选型参考。
   
3. 提出未来研究应聚焦“自适应-实时-多模态”一体化方向。