为了解决人脸图像在未经授权情况下被伪造或篡改的问题，提出一种基于注意力掩码与特征提取的人脸伪造主动防御方法。该方法旨在采取攻击性措施，向图像中加入可干扰伪造模型的对抗样本，从源头上预防图像被伪造，同时提高被保护图像的视觉质量。首先，采用改进的梯度下降法生成对抗扰动并将这些扰动添加至原始图像，使原始图像在经过伪造处理后生成模糊的虚假图像；同时，在生成器中增添注意力掩码，以增强关键特征通道，从而降低复杂背景和光照带来的影响；其次，使用VGG16预训练网络提取图像特征，在特征图层面提升对抗图像的视觉质量。在名人人脸属性（CelebA）数据集和Radboud面孔数据库（RaFD）数据集上的实验结果表明：对StarGAN，所提方法的防御成功率分别达到99.80%和99.63%，生成的对抗图像的视觉质量相较于基于扩频对抗攻击的基准方法在结构相似性（SSIM）上分别提升了30.86%和26.63%，在峰值信噪比（PSNR）上分别提高了34.80%和36.15%。可见，所提方法可有效防御人脸伪造，同时提升对抗图像的视觉质量。

图像除雨算法一般对单帧图像或视频流中的雨滴进行去除，以降低雨滴对视觉任务的不良影响。然而，由于雨滴下落速度极快，基于帧的相机无法获取雨滴在时间上的连续性，且相机的曝光时间和运动模糊进一步降低了图像中雨滴的清晰度，导致传统图像的除雨算法无法准确检出雨滴覆盖区域。为探究图像除雨的新思路，利用事件相机极高采样率、无运动模糊的特性，分析并建立了雨滴事件生成模型，并提出了基于时空关联性的事件相机雨滴检测算法。该算法通过分析事件相机记录下的每个事件与相邻事件之间的时空关系来对每个事件产生自雨滴运动的概率进行计算，从而实现雨滴检测。在三种降雨场景上的实验结果表明，在相机静止不动时，所提算法的雨滴检测正确率可达95%以上，误检率低于5%；当相机处于运动状态时，所提算法仍可达到95%以上的正确率与不超过20%的误检率。说明所提算法可有效检出雨滴。