最近的跨学科研究进一步揭示，噪声不仅仅是一种需要去除的污染物:在受控条件下，它可以作为一种激励信号或显式先验从而提升模型性能。正向激励噪声能细化决策边界;有意的噪声注入则有助于增强隐私保护能力和对抗鲁棒性;而噪声统计可以支持不确定性量化和材料鉴别。然而，现有研究通常只针对孤立阶段进行探讨，缺乏一个系统性的“缓解-激发-利用”框架，以及可解释、可迁移和可部署的遥感模型所需的理论基础。为了解决这些问题，本特刊旨在探索与噪声感知遥感相关的技术和应用领域的原创研究，以分享最新的研究成果、方法以及最佳实践，并推动噪声感知遥感的进一步发展。

为深入探讨前沿挑战与技术突破，推动科研成果在国家重大需求和战略新兴产业中的落地，《计算机科学与探索》特设 “极端环境图像处理与应用” 专题。本专题旨在汇聚极端环境下的图像增强复原、目标检测识别、跨模态融合、数据集与评测体系等领域的最新研究进展，搭建学术界与工业界开放交流平台。欢迎学术界与工业界同仁踊跃投稿，共同推进极端环境图像处理技术的理论创新与应用实践！

各个领域的视频内容快速增长，导致对更智能、更高效的视频理解和评估技术的需求不断增长。本特刊重点介绍多模态信息（如音频、文本和传感器数据）与视频的集成，以增强处理、分析和解释。多模态驱动的方法对于许多实际应用至关重要，包括自动监控、内容推荐和医疗保健诊断。本期特刊邀请了有关视频捕获、压缩、传输、增强和质量评估等主题的前沿研究，以及深度学习、多模态融合和实时处理框架方面的进步。

地理空间图像分析已成为跨不同领域的关键任务应用的基石，从城市建模（例如，能见度下降的多传感器无人机导航）到动态环境监测（例如，近乎实时的灾难响应），以及基础模型驱动的场景解释的不断兴起的范式。这些应用从根本上依赖于从图像中提取准确的几何、空间、时间和光谱信息。不幸的是，它们的实际部署面临三个限制：不良成像条件（大气干扰（云/雾霾）和不利照明（阴影/弱光）），单传感器限制和泛化差距。为了突破这些困境，我们现在发出论文征集，以进一步推进这一关键领域的研究和解决方案。我们邀请研究人员、学者和从业者发表原创研究论文，探讨与地理空间图像感知和理解相关的最新发展、创新方法和实际应用，特别是在具有挑战性的现实条件下。

传统的单源视觉模型在复杂的现实环境中往往因噪声、遮挡或模式限制而表现不佳。多源视觉融合旨在通过结合来自不同数据模式的互补信息来克服这些限制，从而实现更强的感知和高水平的场景理解。除了简单的融合，下一个前沿在于实现认知层面的智能——机器不仅能以类似人类的方式看到、理解、推理和解释多模态视觉数据。本期专刊旨在汇集多源视觉融合、深度学习架构、跨模态表示学习和神经符号推理的最新进展。我们特别关注能够弥合低级感知和高级认知理解之间差距的创新解决方案，使机器能够在复杂场景中做出值得信赖和可解释的决策。

“传感智能和机器学习”描述了人工智能 （AI） 和机器学习 （ML） 方法与传感器技术的结合。这种融合提高了传感器功能，提高了准确性、灵敏度和适应性。“传感智能和机器学习”的应用包括医疗保健和生物医学工程、自动驾驶汽车等。本特刊旨在探索深度学习在提高成像传感器分辨率和准确性方面的应用和在机器人技术中使用传感器融合和机器学习进行环境交互和导航。

基础模型的出现（如 CLIP、DINO、SAM、BLIP、Segment Anything 和扩散模型）彻底改变了视觉表征学习，使得零样本迁移和跨多种任务的统一建模成为可能。然而，在极端低光、浓雾、水下、运动模糊和低分辨率等恶劣视觉条件下，这些模型的鲁棒性和适应性仍未被充分探索，且高度依赖具体应用场景。本专刊诚邀原创研究文章，探讨如何适配、增强或微调基础模型及基于提示的学习范式，以在退化视觉环境下实现稳健性能。

在过去十年左右的时间里，以深度学习为代表的人工智能技术取得了显著的进步，尤其是在信号处理和计算机视觉领域。在这些领域，基于深度学习的方法正在以前所未有的速度迭代和商业化，极大地改变了人类的生活、学习和工作方式。近年来，图像和视频合成与生成、3D 视觉、视觉语言模型和多模态学习逐渐成为该领域的研究热点。本期特刊旨在突出图像和视频处理领域的最新突破和应用，并具有双重关注点。首先，它探讨了用于数据采集和可视化的尖端设备的新用途。其次，它深入研究了处理大规模数据集的新方法，利用现代模式识别和机器学习技术来推进图像分析的最新技术。

自 2010 年卷积神经网络复兴以来，计算机视觉一直是深度学习技术最具活力的领域之一。近年来，图像和视频合成与生成、3D 视觉、视觉语言模型和多模态学习逐渐成为该领域的研究热点。自然语言处理领域的大型语言模型 的变革浪潮激发了对其在计算机视觉中潜力的进一步探索。在这种情况下，AI 需要沉下来处理更多底层信号或硬件信息。本期特刊希望通过关注信号处理和计算机视觉领域 AI 技术的最新进展来记录和推动这一趋势。