摘要:为了研究薄膜样品在变温条件下的方块电阻变化特性，设计了一台集成贝叶斯优化模糊PID控温系统与四探针法的测量设备。采用贝叶斯优化算法为模糊控制器寻找最佳超参数组合，显著提升了系统控温精度，同时大幅降低了参数优化过程的实验成本。并为四探针系统设计了具备高稳定性的恒流源电路和高精度数字电压表，确保在薄膜阻值发生2~3个数量级变化时仍能提供稳定的电流和精准测量出电压变化。通过嵌入式系统与上位机间的高效双向通信协议，实时同步传输PWM的占空比、温度与电压数据，实现高精度温度控制与薄膜样品的方块电阻的实时计算。

摘要:车辆地磁导航在动态行驶中面临磁干扰影响导航精度的关键问题，传统固定参数补偿方法难以适应不同运动状态下的干扰变化。通过分析运动状态与磁补偿效果的关系，揭示了单一固定参数补偿模型的局限，为发展自适应补偿方法提供了理论基础。研究构建的CNN-SRU运动状态识别模型实现了99.61%的识别准确率，训练效率较对比模型提升12.8%~28.4%，推理延迟降低25.4%~38.5%。基于识别结果系统评估了单一椭球拟合模型的补偿性能，发现不同运动状态下补偿效果差异显著：匀速直线运动的性能最优补偿后标准差为49.39 nT；转向运动受复杂磁干扰影响补偿后标准差为533.35 nT；加速运动因瞬态干扰强烈补偿后标准差达147.98 nT。研究表明运动状态是影响磁补偿效果的关键因素，固定参数模型无法满足全工况需求。本研究建立的“状态识别-补偿评估”框架为开发自适应磁补偿方法提供了理论支持与技术路径。

摘要:钢材表面缺陷检测对工业质量控制具有重要意义，但复杂纹理与多尺度特征增加了检测难度。为此，提出了一种基于多尺度边缘增强与注意力融合的轻量化检测网络（MEA-YOLO）。所提方法以StarNet替代YOLOv11主干以降低复杂度，设计多尺度边缘信息增强模块结合双域选择机制强化边界与上下文特征，并在检测头中引入空间增强前馈网络提升细粒度识别能力。实验结果表明，所提方法在钢材缺陷检测任务中的mAP50达到74.58%，较YOLOv11n提升2.01%，同时参数量与GFLOPs分别减少14.3%和10.1%。此外，在GC10-DET数据集上的对比实验同样取得了精度与速度的同步提升，进一步证明了模型的跨数据集泛化能力与工业实时检测的适用性。

摘要:针对高转速、大轴向窜动及空间受限条件下透平机械多物理参数的高带宽近距离信号传输需求，提出了一种900 MHz/2.4 GHz双频段圆周分布发射天线组与环形接收天线设计方法，建立了接收天线与发射天线组独立与耦合求解模型。并提出了旋转变距工况下的传输可靠性评估方法，分析了微带线宽及介质介电常数对天线性能的影响，达到了限制天线频率偏移在工作频段内的目的。仿真与测试结果吻合良好：900 MHz发射天线的阻抗带宽为10 MHz，2.4 GHz阻抗带宽≮90 MHz，接收天线阻抗带宽完全覆盖900 MHz~2.4 GHz频段范围，发射天线与接收天线在相对旋转转速≯11 000 rpm，间距在7±4 mm范围内时，可实现透平参数的稳定、可靠传输。

摘要:针对传统装备试验能力评价方法存在实战化导向不足、评价维度单一等问题，以战斗力生成为核心导向，构建了包含试验设计、实施效能和实战考核3个维度的综合评价体系。在该评价体系基础上，以满意度为规范化评价标尺解决多源异构数据归一化难题，运用层次分析法实现战斗力贡献度赋权，并引入体系贡献率对评价模型迭代修正，建立了具有作战映射特征的装备试验能力评价模型。通过所提方法对某试验战斗力生成贡献度进行评价，可得该试验能力的战斗生成贡献度为71.5，与实际满意度情况相符，试验改进后战斗生成贡献度提高了18.88%，有效破解了试验能力与战斗力生成贡献度的价值关联难题，为新型装备试验鉴定体系建设和战斗力生成模式转型提供了理论支撑与实践方法。

摘要:重症监护室（ICU）作为救治危重病患的核心场所，承担着对重症患者进行全天候监护和治疗的重要职责。然而，目前国内ICU中普遍采用的生命体征监测系统仍以有线设备为主，存在诸多局限性。因此，提出了一款无线体征监测系统，佩戴于患者的腕部和指尖使用，可以实时采集患者的体温、心率和血氧饱和度，并将结果上传至手机和云平台数据库显示。对比现阶段使用的有线监护仪，该设备小巧且易于穿戴，大大提高了患者的舒适度和自由度，同时有效减少了患者与仪器的物理接触，降低感染风险。在静息状态下，同时佩戴该无线监测设备、华为手环和医用指夹式心率血氧仪（作为标准）对同一人体进行检测。结果表明，该无线监测设备测量的心率数据标准误差为0.15，血氧数据的标准误差为0.065；华为智能手环测量的心率数据标准误差为0.48，血氧数据的标准误差为0.13。由此可得该无线监测设备的测量准确度高于华为智能手环，连续监测和数据记录性优于指夹式心率血氧仪，对ICU迈向智能化有深远意义。

摘要:针对基于轮廓的步态识别方法因过度依赖全局表征，而在服装变化等强外观干扰下性能骤降的瓶颈，提出了一种融合结构感知与动态注意力的识别模型。该模型旨在将识别范式从匹配易变轮廓升维至理解内在运动规律。为此，构建了一个双路并行框架：首先，通过一条结构感知路径对人体关键局部区域进行精确建模；其次，引入频率解耦的动态注意力机制以自适应增强最具区分度的特征通道，应对步态相位变化；最后，利用深度语义融合模块将局部结构信息与全局表征进行多尺度协同，生成兼具稳定性与判别力的最终特征。实验结果表明，该模型在CASIA-B数据集上的平均准确率达到89.9%，尤其在服装变化场景下较基线模型提升了11.0%；同时在大规模OU-MVLP数据集上的Rank-1准确率达到89.5%。研究证实，该模型通过协同局部结构感知与全局特征增强，有效提升了步态识别在复杂外观干扰下的稳健性与识别精度。

摘要:当前，盲文书等传统盲教工具已难以满足盲人的数字化阅读需求，且已研发的可刷新盲文显示装置也还需要在体积、锁止力、能耗等方面被继续优化。为了帮助盲人或视障者便捷地进行数字化阅读，提出了一种低功耗、可刷新的盲文显示模块，并通过结合旋转结构，设计了一种可穿戴的旋转式可刷新盲文显示装置。首先，依据电磁驱动原理设计了一种盲文点致动器，该致动器可以依靠电磁特性，在无能耗情况下实现对凸起盲文点的锁止。接着，通过对盲文点致动器不同状态的受力分析和有限元分析，确定了满足设计需求的盲文点致动器关键参数。然后，装置的性能测试结果表明盲文点致动器的平均刷新频率为19.3 Hz，平均锁止力为166 mN，能够满足盲人触读需求。用户实验表明，盲人受试者使用可穿戴的旋转式可刷新盲文显示装置识别盲文的平均准确率达到94.66％。因此，可穿戴的旋转式可刷新盲文显示装置为盲人提供了一种便捷的数字化盲文阅读方式。

摘要:中国南部沿海炼化装置服役环境复杂、多源环境因素耦合显著，金属设备在长期服役中易产生加速腐蚀，亟需构建高精度预测模型以辅助设备健康管理。针对炼化装置腐蚀数据样本有限(目标域样本量N=12)问题，本文提出一种结合迁移学习的TL-BiLSTM-Attention大气腐蚀速率预测方法。首先基于MICAT公共腐蚀数据集构建源域数据集，随后通过正交实验优化 BiLSTM-Attention 网络超参数，提高预训练模型性能，最后将最优预训练模型迁移至炼化装置本地腐蚀数据，通过不同冻结层策略实现微调。实验表明，BiLSTM-Attention 模型在源域预测中相比LSTM、BiLSTM具有更高拟合能力与更低误差；TL-BiLSTM-Attention能够有效提升炼化装置中Q235、304、316L、5A06 等材料的大气腐蚀速率预测精度，不同金属需采用差异化冻结策略以获得最佳结果。研究验证 TL-BiLSTM-Attention 方法在少样本条件下预测有效性、工程适用性，可为炼化装置腐蚀评估提供数据驱动的预测工具。

摘要:针对自动驾驶系统在夜间场景中对车辆检测面临对比度低、图像模糊、复杂光照干扰等导致检测性能不佳的问题，本文从全面增强低光场景下关键特征提取与融合的角度出发，提出基于YOLOv8网络的轻量级RDSM-YOLO模型。首先，在主干与颈部网络引入RFAConv，通过感受野注意力机制自适应突出关键空间特征；其次，采用DynamicConv重构C2f模块实现卷积核的动态聚合，在不增加FLOPs的前提下强化特征表达；同时以轻量化SPPELAN模块替代传统SPPF，融合多尺度上下文信息；最后，将损失函数CIoU升级为EIoU，通过显式解耦边界框几何要素加速收敛并提升定位精度。实验结果表明，RDSM-YOLO在BBD100k数据集上进行夜间车辆检测的mAP50为70%，不仅较YOLOv8提升了1.4%,同时模型参数量仅有3.04 M。验证了本文模型在夜间车辆检测中保证轻量化的同时并有较高的精度，为夜间自动驾驶性能提高提供了一种参考。

摘要:针对博物馆、展览馆等密集障碍物环境下腿脚不便群体的移动辅助需求，提出一种融合全局A*算法与局部动态窗口法DWA的自主导航路径规划方法。首先通过引入启发式函数优化与路径平滑策略设计了改进A*算法，利用该算法生成全局最优路径；然后针对动态环境特性采用自适应权重DWA算法进行实时避障与轨迹优化，在原始DWA算法的基础上加入全局路径评价函数和制动距离评价函数，显著提升复杂狭窄通道中的安全性与运动连续性。为验证算法有效性，在模拟展馆环境的实验室场景中构建测试平台。并引入轨迹平滑度、碰撞率及遍历节点数等指标对改进算法进行评估。实验结果表明，相较于传统A*与原始DWA算法，本文方法在保证全局路径最优性的同时，不仅提高了动态障碍规避成功率，轨迹抖动幅度也有所降低。该方法为特殊群体在受限室内场景的安全移动提供了可靠技术支撑。

摘要:为应对水波干扰、光线反射及漂浮物遮挡等复杂水面背景下目标检测精度下降的问题，提出一种改进YOLOv11n的水面垃圾检测算法。首先，利用FCM模块对C3k2中的Bottleneck进行重新设计，构建C3k2-FCM模块，缓解下采样过程中物体空间位置信息丢失的问题；其次，引入具有不同膨胀率的共享卷积层并结合空间与通道协同注意力机制SCSA，构建FPSC-SCSA模块取代SPPF，增加对关键区域的关注能力，减少关键信息的丢失；再次，将颈部聚合网络替换为多尺度特征融合网络并嵌入U-Net V2的SDI模块构建BIFPN-V2S模块，扩展模型感受野并强化全局上下文信息交互能力；最后，构建SGSV-IoU损失函数，提高模型对边界形状和细节的刻画精度，优化对不规则漂浮物的定位效果。实验结果表明：改进后的YOLOv11n算法在自建水面垃圾数据集上相较原算法mAP50提高了2.8%，参数量和计算量分别减少了0.81 M和0.1 GFLOPs,证明了改进算法的有效性。

摘要:针对小目标检测中由于特征信息不足、特征图分辨率较低等问题导致检测精度和鲁棒性较差的技术瓶颈，提出一种基于高分辨率特征引导学习的小目标检测方法。该方法采用基于上下文聚合风车卷积的改进YOLOv11算法结构，构建了一个由高分辨率检测分支与低分辨率检测分支组成的双通道检测框架。训练过程中，通过高分辨率检测网络对低分辨率检测网络进行引导学习，缓解低分辨率图像中小目标语义信息不足的问题。在双通道网络的中间层引入多损失函数加权的多尺度特征对齐损失函数，增强了小目标特征的表达能力。实验结果表明，本文的方法在PASCAL VOC 2012小目标数据集上的mAP50相较于原始的YOLOv11提高了4.11%，mAP50:95提高了4.07%；在Visdrone2019数据集上mAP50相较于原始的YOLOv11提高2.24%，mAP50:95提高了1.50%。

摘要:非侵入式负荷监测是一种通过分析电力总线上的电压和电流变化来识别运行中的电器负荷及其能耗的技术。随着电力负荷种类和数量的持续增加，提取独特的负荷特征并建立高效的非侵入式负荷监测分类模型变得尤为重要。提出了一种以多VI轨迹融合与背景特征映射为核心的图像特征增强方法，并结合迁移学习策略将其应用于ResNet18网络中，通过多V-I轨迹融合和图像背景映射来提高负荷识别的准确性，实现了非侵入式负荷的高效分类。不同于传统方法，本研究首次提出全波与滤波轨迹的差异化融合策略，增强了负荷特征的唯一性，并在图像背景中映射多个稳态特征，进一步提升了图像的表示能力。实验结果表明，所提方法在PLAID2014、PLAID2017以及PLAID2018数据集上的负荷识别准确率分别提高至98.67%、97.53%以及98.64%，相较于现有模型表现出显著的优势。

摘要:深静脉血栓可能导致肺栓塞等严重并发症危及患者生命安全，早期进行DVT风险预测具有重要临床意义。针对当前DVT风险预测存在仅对单一结构化文本数据或图像数据进行预测，未有结合这两种模态数据进行预测的方法及深度学习最新模型应用于DVT风险预测方法较少这两个挑战问题。本研究将Mamba状态空间模型与多模态融合结合，首次提出一种基于Mamba自注意力机制和多模态融合的DVT风险预测方法。所提方法以患者超声影像和病史、实验室检验指标等结构化文本数据作为多模态输入数据，首先构建双通道特征编码框架，该框架利用ViT编码捕获医学超声图像特征，DNN编码获取结构化临床数据特征；然后设计基于Mamba自注意力和多模态特征融合框架，该框架首先拼接图像和结构化文本特征得到联合特征，采用原始Mamba训练联合特征得到多模态融合特征，然后设计Mamba自注意力、前馈网络和CNN实现多模态数据全局和局部、高层和底层特征提取和融合，实现多角度保留原始多模态特征；最后进行多层次MLP特征降维获得DVT预测结果。在临床数据集上与其他13种组合模型进行对比实验，结果表明该模型效果最佳，AUC达到0.912，较结构化数据单模态方法平均提高了11.97%，F1分数平均提高了13%。与传统图像数据单模态对比模型AUC平均提高14.7%，准确率和F1分数均提高20%以上。在多模态对比模型中，该模型与表现较优的ResNet与Transformer融合的模型（AUC=0.871）相比，其准确率、精确率、召回率、F1分数均约提高了6%，与同结构的Transformer混合模型相比，AUC与其余4项性能评估指标以及模型推理速度都提高20%以上。结果表明本研究中的模型为DVT的早期预防和预测提供了有力支持，具有良好的应用前景和临床价值。

摘要:基于模块化多电平换流器（MMC）的柔性直流输电技术在我国电力系统中得到了广泛应用。近年来，从渝鄂工程到张北工程，国内外多个电压源型柔性直流输电工程中发生了高频振荡现象，影响系统的安全稳定运行。针对该问题，提出了一种基于小波包分解（WPD）和无迹卡曼滤波跟踪（UKF）的柔性直流输电系统高频振荡检测方法。首先采用小波包快速分解（WPD）的滤波器组结构将柔直系统并网电流信号进行准确的频带划分，其次根据每层各个节点的小波包系数设定阈值，超过阈值则判定可能存在高频振荡，将超过阈值的此小波包系数重构后得到只含有特定频段的时域信号。然后采用无迹卡曼滤波（UKF）跟踪此信号，得到动态频率跟踪曲线和动态幅值跟踪曲线。最后，通过仿真实验平台搭建了MMC柔性直流输电系统模型产生高频振荡，验证了所提方法对高频振荡检测的灵敏性和准确性，满足了后续振荡抑制的检测需求。

摘要:后向投影算法在合成孔径雷达成像算法中属于时域算法，多用于混合域或频域算法的对比算法。本研究通过相位补偿等效为一维密集线阵，设计了一维稀疏拓扑线阵，推导了匹配滤波算法和波数域后向投影算法。数值仿真结果表明，仿真多点目标点扩展函数，水平向和竖直向约为3.5 mm，距离向约为12.6 mm，验证匹配滤波算法和波数域-后向投影算法的正确性；通过搭建实物系统，匹配滤波算法、波数域-后向投影算法及后向投影算法，分别对线对分辨力板成像，水平向、竖直向均为4、5 mm，仿真结果与理论分辨力基本符合；最后对实测目标仿真成像，匹配滤波算法耗时4.461 s、波数域-后向投影算法耗时54.477 s、后向投影算法耗时684.985 s，与3种算法理论复杂度吻合度较高，3种算法图像中值滤波梯度相似度值约为0.9、图像对比度值约为6.6，验证了匹配滤波算法和波数域-后向投影算法的有效性。

摘要:针对现有图像篡改拼接检测方法存在感受野受限，特征提取尺度单一，提取能力有限等问题，提出了多尺度门控融合的图像篡改拼接检测算法。首先，设计了双编码器单解码器结构网络：两个编码器分别采用普通卷积和空洞卷积，捕获不同尺度的特征，解码器采用普通卷积；其次，在网络浅层，将两个编码器提取的特征进行逐元素相加，融合双路径信息，并通过跳跃连接送到解码器，增强特征的表示能力；最后，在编码器末端，采用多尺度自适应门控融合模块，将双编码器捕获到的局部特征和全局特征进行自适应融合，以减少冗余信息，突出重要特征。实验结果表明，本方法在3个公开数据集CASIA1.0、CASIA2.0、IMD2020和自制合成数据集上，F1分数分别提升了9.62%、3.29%、4.75%和2.5%；在对比实验中，整体检测结果优于其余方法；在鲁棒性实验中，在应对复杂场景和多样化数据方面，具有较高的准确性和鲁棒性，可以有效检测到篡改区域，性能优于其他方法。结果表明，所提方法为图像安全领域的研究与应用提供了坚实的技术保障和新的研究路线。

摘要:针对传统孪生网络在复杂场景下鲁棒性不足以及Transformer架构对计算资源依赖性强等问题，提出了一种基于监督反馈和Transformer的目标跟踪算法。首先，设计了监督反馈模块，在特征提取过程中引入任务相关的反馈信息，引导网络更加聚焦于目标区域，从而提升特征判别性并抑制背景干扰；其次，构建了轻量化的Transformer结构，在保持全局建模能力的基础上，有效降低计算复杂度和参数量，实现性能与效率的良好平衡；最后，提出自适应模板更新机制，结合当前帧的状态信息与场景变化，动态调整模板内容以应对目标外观变化，降低跟踪漂移风险。在多个主流公开数据集上的实验结果表明，所提出方法在鲁棒性和实时性方面均优于现有先进算法。

摘要:针对输电线路小目标缺陷检测中存在的边缘定位精度低、多尺度特征提取能力不足以及复杂背景干扰等问题，提出了一种基于STDD-YOLO的目标检测算法。该算法通过设计边缘空间特征增强模块，强化高频特征提取能力，提高缺陷边界的定位精度，增强了边缘和轮廓等高频信息感知能力；以高效多核卷积替代原有Bottleneck中的标准卷积，增强网络对多尺度小目标的检测性能，解决C3k2结构在细节信息利用上的局限性；设计了共享卷积GN检测头，抑制背景噪声干扰，增强小目标特征表达能力，有效提高复杂环境下模型检测的鲁棒性，避免复杂背景下缺陷目标显著性低而导致误检和漏检。实验表明，所提算法可显著提高检测精度。

摘要:针对自动驾驶场景下小目标车辆与行人检测精度低、模型计算复杂度高等问题，提出了一种基于YOLOv10n改进的DSWR-YOLO轻量化小目标行人与车辆检测算法。首先引入DWR模块，改进其扩张残差为DSConv，并嵌入SimAM注意力机制重构C2f模块，增强小目标特征保留能力；其次新增160×160检测层，采用多专家融合和分离设计并结合DynamicConv，设计全新的动态检测头Detect-dyHead-P2，显著降低模型参数量并提高对小目标的检测能力；最后融合Focaler-SDIoU损失函数，动态调整损失权重，以解决样本不均衡和边界框回归不稳定等问题。在VisDrone2019数据集上进行验证，改进模型(DSWR-YOLO)在参数量和浮点运算分别减少25.9%和33.3%的情况下，mAP@0.5、Precision和Recall分别提升3.7%、2.9%和3.3%，轻量化的同时提升模型的检测精度，适用于资源受限的嵌入式设备。在UA-DETRAC数据集进行泛化实验，改进模型比原模型mAP@0.5、Precision和Recall分别提升0.9%、1.2%和2.0%，表明模型的泛化能力良好，鲁棒性强。

摘要:针对传统亚像素边缘检测方法中存在效率低、定位精度不足等问题，提出了一种基于Prewitt算子与Franklin矩融合的亚像素边缘检测算法。所提方法首先通过Prewitt算子实现边缘的像素级初定位，继而构建基于Franklin矩的亚像素边缘分析模型，利用多阶矩卷积提取边缘特征，结合矩函数的正交性与旋转不变性，建立图像旋转前后矩值关联关系，从而精确计算边缘点的亚像素坐标，并通过改进的判别条件完成边缘点的有效筛选。最后，采用最小二乘法对边缘进行拟合。实验结果表明，喷射口检测的平均误差为0.002 6 mm，平均检测时间为0.805 s，并且定位精度更高、抗噪性更强、具有普适性，能够更好地解决图像边缘检测定位精度低及效率慢等问题。

摘要:针对息肉分割中普遍存在的共现现象、边界模糊和分割不足等挑战，提出了一种新型多尺度注意力融合网络MSBRAU-Net++。采用多尺度门控注意力融合，将多尺度与注意力形成交互结构处理上下文信息，增强前景特征响应，抑制背景干扰，显著改善息肉与相似组织的区分能力；利用混合空间通道模块，通过深层特征校准与局部细节恢复，解决边界模糊问题，提升边缘分割精度；设计全新的多路径特征聚合块，融合低阶细节与高阶语义特征，避免信息损失，确保分割结果的完整性。在Kvasir-SEG和CVC-ClinicDB数据集上对MSBRAU-Net++进行评估，IoU分别为84.65%和88.87%，相似性系数DSC分别为90.63%和91.99%。实验结果表明，MSBRAU-Net++优于其他对比模型，能准确分割图像，尤其对复杂边界和小息肉区域的分割效果显著。

摘要:针对无人机航拍图像中目标尺寸小、遮挡严重、背景复杂等问题，传统目标检测算法常出现漏检与误检。为提升检测精度，在YOLOv11n基础上提出了一种融合注意力机制与特征调制机制的小目标检测算法—YOLOv11n-AFD。该方法通过集成空间条带注意力（SSA）模块、调制融合模块（MFM）与曼哈顿特征增强（MFE）模块，全面提升模型对小目标的感知能力与语义建模能力。在保持YOLOv11n框架不变的前提下，空间条带注意力建模水平与垂直空间依赖，增强结构感知；调制融合通过通道调制实现精细融合，突出关键信息；曼哈顿特征增强模块强化几何特征，抑制背景干扰，实现关键模块的深度增强。实验结果表明，改进后的YOLOv11n-AFD相较于原始YOLOv11n模型，在VisDrone数据集上准确率、召回率与检测精度mAP@0.5分别提升1.8%、0.8%和1.4%，mAP@0.5:0.95提升至21.5%。对比其他算法表现出了良好的性能。

摘要:动态点云在沉浸式通信与自动驾驶等前沿应用中具有重要价值，其高效压缩是实现实时传输与存储的关键。尽管已有基于规则与学习的方法在点云几何压缩方面取得进展，但现有方法在动态序列的帧间相关性利用上仍显不足。本文提出一种基于特征域最近邻搜索与拼接的动态点云几何压缩方法，将多尺度稀疏表示框架扩展至动态场景，并引入多尺度时间先验以增强帧间条件编码。具体而言，通过从已重建参考帧中提取分层特征，并与当前帧特征在特征域执行最近邻搜索与拼接，构建跨空间的时空上下文信息，从而更精确地估计体素占用概率。该方法在编码端仅传输部分特征，解码端结合参考帧信息重构时间先验，显著提升了压缩效率。实验在遵循MPEG通用测试条件的标准数据集上进行，结果表明，所提方法在多个测试序列上相较于现有基于规则与学习的压缩方法，在D1-PSNR与D2-PSNR下均取得大于10%的显著BD-Rate增益，尤其在宽比特率范围内展现出优越的率失真性能，验证了其在动态点云几何压缩中的有效性与先进性。

摘要: