P18﹥《多模态知识图谱构建技术及其在军事领域的应用综述》

概述：随着数据资源类型的丰富与大模型技术的发展，能够处理多源异构数据的多模态知识图谱（multimodal knowledge graph,MMKG）以出色的数据处理与管理能力而被广泛关注。本文结合领域需求与特性，对多模态知识图谱构建技术及其在军事领域的应用展开总体概述。基于传统文本知识图谱的相关概念，对多模态知识图谱的基本概念、研究现状进行梳理，分析总结了多模态信息抽取、多模态实体链接、多模态表示学习三个多模态知识图谱构建的关键技术，以及大模型技术在多模态知识图谱构建过程中的应用，探讨了多模态知识图谱在军事领域中的应用场景。最后结合大模型热点和军事需求，对多模态知识图谱构建技术的发展前景及军事应用进行总结与展望。

作者简介：姚奕，博士，教授，中国人民解放军陆军工程大学指挥控制工程学院，研究方向为智能指挥控制、知识图谱。

陈朝阳，硕士研究生，中国人民解放军陆军工程大学指挥控制工程学院，研究方向为多模态知识图谱，E-mail：18654392389@163.com。

引用：姚奕, 陈朝阳,等. 多模态知识图谱构建技术及其在军事领域的应用综述[J]. 计算机工程与应用,2024,22: 18-37.

全文：点击下载

P58﹥《基于深度学习的图像修复方法研究进展》

概述：图像修复是通过算法或技术对受损或缺失的图像进行恢复和修复的过程，是计算机视觉领域的研究热点之一。本文梳理了近些年基于深度学习的图像修复方法的发展脉络，将其分为单模态图像修复方法和多模态图像修复方法。单模态图像修复方法分为基于卷积自编码的图像修复方法、基于GAN的图像修复方法、基于Transformer的图像修复方法和基于扩散模型的图像修复方法，而多模态图像修复方法分为基于文本引导的图像修复方法、基于音频引导的图像修复方法、基于视频引导的图像修复方法和基于多模态融合的图像修复方法。对比分析了各类方法的原理和优缺点，介绍了常用数据集和评价指标，评估了代表性方法在常用数据集上的性能表现，并对该领域目前存在的挑战和未来的发展方向进行了分析和展望。

作者简介：陈文祥，硕士研究生，CCF 会员，北京建筑大学电气与信息工程学院、建筑大数据智能处理方法研究北京市重点实验室，研究方向为深度学习、图像处理。

田启川，博士，教授，硕士生导师，CCF 高级会员，AAIA高级会员，北京建筑大学电气与信息工程学院、建筑大数据智能处理方法研究北京市重点实验室，研究方向为人工智能、模式识别和图像处理等，E-mail：tianqichuan@163.com。

引用：陈文祥, 田启川,等. 基于深度学习的图像修复方法研究进展[J]. 计算机工程与应用,2024,22: 58-73.

全文：点击下载

P74﹥《GAN模型生成图像检测方法综述》

概述：生成对抗网络（generative adversarial network,GAN）作为生成高质量图像的强大工具，近年来在图像合成领域得到了广泛应用。然而，随着GAN技术的快速发展，引发了图像伪造和欺诈的严重担忧，特别是在新闻报道、身份认证以及司法取证等关键领域。这些伪造图像不仅难以辨别，还可能被用于传播虚假信息、实施诈骗，甚至在法律案件中造成难以弥补的损害。为应对这一挑战，研究者们提出了多种检测GAN生成图像的方法，主要可以分为基于特征识别的方法和基于数据驱动的方法。本文对于当前主要的GAN图像检测方法进行了系统梳理，并通过重训练实验验证了它们在不同数据集上的检测准确率。对未来GAN图像检测领域的发展趋势进行了展望，提出了潜在的研究方向，以推动该领域的进一步创新和发展。

作者简介：谢天圻，硕士研究生，成都理工大学计算机与网络安全学院(示范性软件学院),研究方向为图像处理、视频异常检测。

吴媛媛，博士，副教授，CCF 会员，成都理工大学计算机与网络安全学院(示范性软件学院)，研究方向为视频图像处理、计算机视觉，E-mail：wuyuanyuan@cdut.edu.cn。

引用：谢天圻, 吴媛媛,等. GAN模型生成图像检测方法综述[J] . 计算机工程与应用,2024,22: 74-86.

全文：点击下载