基于图像编辑代理的零样本遥感图像复合检索算法

doi:10.11772/j.issn.1001-9081.2025070813

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2577-2583.DOI: 10.11772/j.issn.1001-9081.2025070813

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于图像编辑代理的零样本遥感图像复合检索算法

张杰, 黄智勇, 王瑞锦, 张凤荔()

电子科技大学信息与软件工程学院，成都 610054

收稿日期:2025-07-21 修回日期:2025-11-07 接受日期:2025-11-10 发布日期:2025-12-22 出版日期:2026-08-10
通讯作者: 张凤荔
作者简介:张杰（2001—），男，四川宜宾人，硕士研究生，CCF会员，主要研究方向：大语言模型、自然语言处理、多模态
黄智勇（1982—），男，广西蒙山人，高级工程师，博士研究生，主要研究方向：信息化
王瑞锦（1980—），男，甘肃天水人，副教授，博士，CCF会员，主要研究方向：联邦学习、网络与信息安全
张凤荔（1963—），女，河南内乡人，教授，博士，博士生导师，CCF会员，主要研究方向：智能计算、联邦学习、网络与信息安全。
基金资助:
国家自然科学基金资助项目(U2333207)

Zero-shot composed image retrieval algorithm for remote sensing images based on image edit proxy

Jie ZHANG, Zhiyong HUANG, Ruijin WANG, Fengli ZHANG()

School of Information and Software Engineering，University of Electronic Science and Technology of China，Chengdu Sichuan 610054，China

Received:2025-07-21 Revised:2025-11-07 Accepted:2025-11-10 Online:2025-12-22 Published:2026-08-10
Contact: Fengli ZHANG
About author:ZHANG Jie， born in 2001， M. S. candidate. His research interests include large language models， natural language processing， multi-modality.
HUANG Zhiyong， born in 1982， Ph. D.candidate， senior engineer. His research interests include informatization.
WANG Ruijin， born in 1980， Ph. D.， associate professor. His research interests include federated learning， network and information security.
Supported by:
National Natural Science Foundation of China(U2333207)

摘要/Abstract

摘要：

随着图像复合检索（CIR）技术的快速发展，研究者开始探索将它应用于遥感（RS）图像检索领域，以提高从RS图像库中检索出目标图像的准确性。然而，现有算法未能有效弥合图像与文本模态之间的语义鸿沟，同时也受限于RS领域缺乏适用于CIR模型训练的高质量标注数据集。针对这些挑战，提出一种基于图像编辑代理的零样本遥感图像复合检索（IEP4RS）算法，该算法利用图像编辑技术，生成与查询图像及文本描述对齐的代理图像，从而增强查询表征。IEP4RS算法基于查询图像与目标图像的文本描述生成图像编辑指令，然后将指令与查询图像输入图像编辑模型以生成代理图像，并通过融合代理图像与原始查询图像的特征，构建复合查询图像特征。该算法通过直接匹配图像特征，有效跨越了图像与文本模态之间的语义鸿沟，并采用零样本学习范式避免传统算法对标注数据集的依赖。在公开的RS CIR基准数据集PatternCom上的实验结果表明，IEP4RS算法显著提升了检索性能，在采用RemoteCLIP特征编码器时，IEP4RS算法在平均精度均值（mAP）上相较于基线算法WEICOM （WEIghted COMposed image retrieval）提升了9.74个百分点，而相较于主流的零样本图像复合检索（ZS-CIR）算法Pic2Word （mapping Pictures to Words for zero-shot composed image retrieval）、SEARLE （zero-Shot composEd imAge Retrieval with textuaL invErsion）和FREEDOM （composed image retrieval for training-FREE DOMain conversion）分别提升了11.79、7.81和3.99个百分点。

关键词: 图像复合检索, 遥感图像, 信息检索, 图像编辑, 零样本图像复合检索

Abstract:

With the rapid development of Composed Image Retrieval （CIR） technology， its application is explored in the field of Remote Sensing （RS） image retrieval to improve the accuracy of retrieving target images from RS image libraries. However， the existing algorithms fail to bridge the semantic gap between image and text modalities effectively and are limited by the lack of high-quality annotated datasets for training CIR models in the RS field. To address these challenges， a zero-shot composed image retrieval for Remote Sensing images based on Image Edit Proxy （IEP4RS） algorithm was proposed to use image editing techniques to generate proxy images aligned with the query image and text description， thereby enhancing the query representation. In IEP4RS algorithm， image editing instructions were generated based on the query image and the text description of the target image， these instructions， along with the query image， were then fed into an image editing model to produce a proxy image， and composite query image features were constructed by fusing the features of the proxy image and the original query image. In this algorithm， the semantic gap between image and text modalities was bridged effectively through direct image feature matching， and a zero-shot learning paradigm was used to avoid the dependency on annotated datasets required by traditional algorithms. Experimental results on the public RS CIR benchmark dataset， PatternCom， demonstrate that IEP4RS algorithm improves retrieval performance significantly. With RemoteCLIP as the feature encoder， compared to the baseline algorithm WEICOM （WEIghted COMposed image retrieval）， IEP4RS algorithm has the mean Average Precision （mAP） improved by 9.74 percentage points. Furthermore， IEP4RS algorithm outperforms the mainstream zero-shot composed image retrieval （ZS-CIR） algorithms， achieving improvements of 11.79， 7.81， and 3.99 percentage points in mAP compared to Pic2Word （mapping Pictures to Words for zero-shot composed image retrieval）， SEARLE （zero-Shot composEd imAge Retrieval with textuaL invErsion）， and FREEDOM （composed image retrieval for training-FREE DOMain conversion）， respectively.

Key words: Composed Image Retrieval (CIR), Remote Sensing (RS) image, information retrieval, image editing, Zero-Shot Composed Image Retrieval (ZS-CIR)

中图分类号:

TP391

张杰, 黄智勇, 王瑞锦, 张凤荔. 基于图像编辑代理的零样本遥感图像复合检索算法[J]. 计算机应用, 2026, 46(8): 2577-2583.

Jie ZHANG, Zhiyong HUANG, Ruijin WANG, Fengli ZHANG. Zero-shot composed image retrieval algorithm for remote sensing images based on image edit proxy[J]. Journal of Computer Applications, 2026, 46(8): 2577-2583.

图/表 5

图1 图像编辑检索的示例

Fig. 1 Examples of image editing and retrieval

表1 CIR算法的对比

Tab. 1 Comparison of CIR algorithms

算法	特征空间	融合策略	训练需求
Pic2Word	文本空间	早期融合（伪词令牌拼接）	是
SEARLE	文本空间	早期融合（伪词令牌拼接）	是
WEICOM	文本&图像空间	后期加权融合（静态权重）	否
FREEDOM	文本空间	后期加权融合（词频加权）	否
IEP4RS	图像空间	前期融合（文本融合于图像）+后期动态加权融合	否

图2 基于图像编辑代理的遥感图像复合检索算法的架构

Fig. 2 Architecture of remote sensing image composite retrieval algorithm based on image edit proxy

表2 CLIP和RemoteCLIP基础上的对比实验结果（AP） ( %)

Tab. 2 Comparison experimental results based on CLIP and RemoteCLIP（AP）

算法	CLIP							RemoteCLIP
算法	颜色类	环境类	密度类	存在性类	数量类	形状类	mAP	颜色类	环境类	密度类	存在性类	数量类	形状类	mAP
Text	13.47	4.83	3.58	4.38	3.31	6.22	5.97	10.75	8.87	22.16	12.49	8.25	24.12	14.44
Image	14.66	8.32	13.49	13.50	7.84	15.76	12.26	14.40	6.62	15.11	9.29	6.99	15.18	11.27
Text&Image	23.13	11.02	15.87	13.77	10.13	21.38	15.88	23.67	10.01	18.45	10.56	7.97	19.63	15.05
WEICOM	46.74	20.97	22.07	12.07	20.96	26.22	24.83	41.04	31.59	41.56	14.79	20.79	31.24	30.17
Pic2Word	40.55	19.56	17.68	10.59	21.47	24.18	22.34	37.28	28.97	37.28	13.21	22.06	29.93	28.12
SEARLE	43.26	23.51	18.53	19.63	24.32	27.24	26.08	39.58	32.73	40.11	20.05	26.38	33.72	32.10
FREEDOM	49.33	24.55	25.16	21.96	27.65	31.02	29.95	50.69	30.28	45.34	22.95	28.61	37.64	35.92
IEP4RS	50.08	30.45	20.36	27.23	35.52	36.44	33.35	53.18	35.65	41.73	31.16	36.35	41.36	39.91

表3 消融实验结果（AP） ( %)

Tab. 3 Results of ablation experiments（AP）

参数设置	颜色类	环境类	密度类	存在性类	数量类	形状类	mAP
$∂ = 0.0$	14.40	6.62	15.11	9.29	6.99	15.18	11.27
$∂ = 1.0$	47.33	30.59	33.65	27.54	30.62	35.89	34.27
$∂ = 0.5$	50.83	32.41	37.65	25.32	33.25	39.63	36.52
$∂ = 0.6$	51.13	31.29	41.51	30.22	35.07	31.16	36.73
$∂ = 0.7$	49.28	28.97	37.28	32.01	32.13	35.37	35.84
Dynamic	53.18	35.65	41.73	31.16	36.35	41.36	39.91

表3 消融实验结果（AP） ( %)

Tab. 3 Results of ablation experiments（AP）

参数设置	颜色类	环境类	密度类	存在性类	数量类	形状类	mAP
$∂ = 0.0$	14.40	6.62	15.11	9.29	6.99	15.18	11.27
$∂ = 1.0$	47.33	30.59	33.65	27.54	30.62	35.89	34.27
$∂ = 0.5$	50.83	32.41	37.65	25.32	33.25	39.63	36.52
$∂ = 0.6$	51.13	31.29	41.51	30.22	35.07	31.16	36.73
$∂ = 0.7$	49.28	28.97	37.28	32.01	32.13	35.37	35.84
Dynamic	53.18	35.65	41.73	31.16	36.35	41.36	39.91

参考文献 54

[1]	Zhang B， Wu Y， Zhao B， et al. Progress and challenges in intelligent remote sensing satellite systems［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 1814-1822.
[2]	Cavender-Bares J， Schneider F D， Santos M J， et al. Integrating remote sensing with ecology and evolution to advance biodiversity conservation［J］. Nature Ecology and Evolution， 2022， 6（5）： 506-519.
[3]	Lenton T M， Abrams J F， Bartsch A， et al. Remotely sensing potential climate change tipping points across scales［J］. Nature Communications， 2024， 15： No.343.
[4]	Ma Y， Chen S， Ermon S， et al. Transfer learning in environmental remote sensing［J］. Remote Sensing of Environment， 2024， 301： No.113924.
[5]	Brandt M， Chave J， Li S， et al. High-resolution sensors and deep learning models for tree resource monitoring［J］. Nature Reviews Electrical Engineering， 2025， 2： 13-26.
[6]	Tang X， Yang Y， Ma J， et al. Meta-hashing for remote sensing image retrieval［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.5615419.
[7]	Tong X Y， Xia G S， Hu F， et al. Exploiting deep features for remote sensing image retrieval： a systematic investigation［J］. IEEE Transactions on Big Data， 2020， 6（3）： 507-521.
[8]	Shao Z， Zhou W， Deng X， et al. Multilabel remote sensing image retrieval based on fully convolutional network［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 318-328.
[9]	Zhou W， Guan H， Li Z， et al. Remote sensing image retrieval in the past decade： achievements， challenges， and future directions［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 1447-1473.
[10]	Yuan Z， Zhang W， Fu K， et al. Exploring a fine-grained multiscale method for cross-modal remote sensing image retrieval［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.4404119.
[11]	Lv Y， Xiong W， Zhang X， et al. Fusion-based correlation learning model for cross-modal remote sensing image retrieval［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.6503205.
[12]	Psomas B， Kakogeorgiou I， Efthymiadis N， et al. Composed image retrieval for remote sensing［C］// IGARSS 2024. Piscataway： IEEE， 2024： 8526-8534.
[13]	Baldrati A， Bertini M， Uricchio T， et al. Composed image retrieval using contrastive learning and task-oriented CLIP-based features［J］. ACM Transactions on Multimedia Computing， Communications and Applications， 2024， 20（3）： No.62.
[14]	Huang F， Zhang L， Fu X， et al. Dynamic weighted combiner for mixed-modal image retrieval［C］// Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 2303-2311.
[15]	Gao P， Lee Y， Chen Z， et al. NCL-CIR： noise-aware contrastive learning for composed image retrieval［C］// ICASSP 2025. Piscataway： IEEE， 2025： 1-5.
[16]	Kawar B， Zada S， Lang O， et al. Imagic： text-based real image editing with diffusion models［C］// CVPR 2023. Piscataway： IEEE， 2023： 6007-6017.
[17]	Piedra-Fernández J A， Ortega G， Wang J Z， et al. Fuzzy content-based image retrieval for oceanic remote sensing［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（9）： 5422-5431.
[18]	Li J， Narayanan R M. Integrated spectral and spatial information mining in remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2004， 42（3）： 673-685.
[19]	Jia C， Yang Y， Xia Y， et al. Scaling up visual and vision-language representation learning with noisy text supervision［C］// Proceedings of the 38th International Conference on Machine Learning. New York： JMLR.org， 2021： 4904-4916.
[20]	Li J， Li D， Xiong C， et al. BLIP： bootstrapping language-image pre-training for unified vision-language understanding and generation［C］// Proceedings of the 39th International Conference on Machine Learning. New York： JMLR.org， 2022： 12888-12900.
[21]	Wang M， Wan Q M， Gu L B， et al. Remote-sensing image retrieval by combining image visual and semantic features［J］. International Journal of Remote Sensing， 2013， 34（12）： 4200-4223.
[22]	Dai O E， Demir B， Sankur B， et al. A novel system for content based retrieval of multi-label remote sensing images［C］// Proceedings of the 2017 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE， 2017： 1744-1747.
[23]	Noh H， Araujo A， Sim J， et al. Large-scale image retrieval with attentive deep local features［C］// ICCV 2017. Piscataway： IEEE， 2017： 3476-3485.
[24]	Ye F， Xiao H， Zhao X， et al. Remote sensing image retrieval using convolutional neural network features and weighted distance［J］. IEEE Geoscience and Remote Sensing Letters， 2018， 15（10）： 1535-1539.
[25]	Ge Y， Jiang S， Xu Q， et al. Exploiting representations from pre-trained convolutional neural networks for high-resolution remote sensing image retrieval［J］. Multimedia Tools and Applications， 2018， 77（13）： 17489-17515.
[26]	Boualleg Y， Farah M. Enhanced interactive remote sensing image retrieval with scene classification convolutional neural networks model［C］// IGARSS 2018. Piscataway： IEEE， 2018： 4748-4751.
[27]	Zhang M， Cheng Q， Luo F， et al. A triplet nonlocal neural network with dual-anchor triplet loss for high-resolution remote sensing image retrieval［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 2711-2723.
[28]	Wang Y， Zhang L， Tong X， et al. A three-layered graph-based learning approach for remote sensing image retrieval［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（10）： 6020-6034.
[29]	Chaudhuri U， Banerjee B， Bhattacharya A. Siamese graph convolutional network for content based remote sensing image retrieval［J］. Computer Vision and Image Understanding， 2019， 184： 22-30.
[30]	Wang Y， Ji S， Lu M， et al. Attention boosted bilinear pooling for remote sensing image retrieval［J］. International Journal of Remote Sensing， 2020， 41（7）： 2704-2724.
[31]	Chaudhuri U， Banerjee B， Bhattacharya A， et al. Attention-driven graph convolution network for remote sensing image retrieval［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.8019705.
[32]	Yuan Z， Zhang W， Tian C， et al. Remote sensing cross-modal text-image retrieval based on global and local information［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.5620616.
[33]	Chen Y， Lu X， Wang S. Deep cross-modal image-voice retrieval in remote sensing［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（10）： 7049-7061.
[34]	Cheng Q， Zhou Y， Fu P， et al. A deep semantic alignment network for the cross-modal image-text retrieval in remote sensing［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 4284-4297.
[35]	Radenović F， Tolias G， Chum O. Fine-tuning CNN image retrieval with no human annotation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2019， 41（7）： 1655-1668.
[36]	Gordo A， Almazán J， Revaud J， et al. Deep image retrieval： learning global representations for image search［C］// ECCV 2016， LNCS 9910. Cham： Springer， 2016： 241-257.
[37]	Zhang Q， Lei Z， Zhang Z， et al. Context-aware attention network for image-text retrieval［C］// CVPR 2020. Piscataway： IEEE， 2020： 3533-3542.
[38]	Sarafianos N， Xu X， Kakadiaris I. Adversarial representation learning for text-to-image matching［C］// ICCV 2019. Piscataway： IEEE， 2019： 5813-5823.
[39]	Vo N， Jiang L， Sun C， et al. Composing text and image for image retrieval-an empirical odyssey［C］// CVPR 2019. Piscataway： IEEE， 2019： 6432-6441.
[40]	Hosseinzadeh M， Wang Y. Composed query image retrieval using locally bounded features［C］// CVPR 2020. Piscataway： IEEE， 2020： 3593-3602.
[41]	Baldrati A， Bertini M， Uricchio T， et al. Effective conditioned and composed image retrieval combining CLIP-based features［C］// CVPR 2022. Piscataway： IEEE， 2022： 21434-21442.
[42]	Chen Y， Bazzani L. Learning joint visual semantic matching embeddings for language-guided retrieval［C］// ECCV 2020， LNCS 12367. Cham： Springer， 2020： 136-152.
[43]	Wu H， Gao Y， Guo X， et al. Fashion IQ： a new dataset towards retrieving images by natural language feedback［C］// CVPR 2021. Piscataway： IEEE， 2021： 11302-11312.
[44]	Karthik S， Roth K， Mancini M， et al. Vision-by-language for training-free compositional image retrieval［PP/OL］. V2. arXiv （2024-02-26）［2025-06-20］..
[45]	Saito K， Sohn K， Zhang X， et al. Pic2Word： mapping pictures to words for zero-shot composed image retrieval［C］// CVPR 2023. Piscataway： IEEE， 2023： 19305-19314.
[46]	Baldrati A， Agnolucci L， Bertini M， et al. Zero-shot composed image retrieval with textual inversion［C］// ICCV 2023. Piscataway： IEEE， 2023： 15292-15301.
[47]	Efthymiadis N， Psomas B， Laskar Z， et al. Composed image retrieval for training-free domain conversion［C］// WACV 2025. Piscataway： IEEE， 2025： 1723-1733.
[48]	Brooks T， Holynski A， Efros A A. InstructPix2Pix： learning to follow image editing instructions［C］// CVPR 2023. Piscataway： IEEE， 2023： 18392-18402.
[49]	Zhang K， Mo L， Chen W， et al. MagicBrush： a manually annotated dataset for instruction-guided image editing［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 31428-31449.
[50]	Han Z， Jiang Z， Pan Y， et al. ACE： all-round creator and editor following instructions via diffusion Transformer［PP/OL］. V2. arXiv （2024-11-05）［2025-06-20］..
[51]	Xiao S， Wang Y， Zhou J， et al. OmniGen： unified image generation［C］// CVPR 2005. Piscataway： IEEE， 2025： 13294-13304.
[52]	Liu S， Han Y， Xing P， et al. Step1X-Edit： a practical framework for general image editing［PP/OL］. V3. arXiv （2022-05-06）［2025-06-20］..
[53]	Radford A， Kim J W， Hallacy C， et al. Learning transferable visual models from natural language supervision［C］// Proceedings of the 38th International Conference on Machine Learning. New York： JMLR.org， 2021： 8748-8763.
[54]	Liu F， Chen D， Guan Z， et al. RemoteCLIP： a vision language foundation model for remote sensing［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： No.5622216.

基于图像编辑代理的零样本遥感图像复合检索算法

Zero-shot composed image retrieval algorithm for remote sensing images based on image edit proxy

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 54

相关文章 15

编辑推荐

Metrics

[1]	刘雯玲, 李勇, 李佳慧, 张厚康. 面向不均匀雾霾遥感图像的无监督去雾方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2297-2306.
[2]	段佳欣, 胡靖, 文武, 余贞侠, 张永俊. 基于两阶段协同优化的全色锐化[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1568-1577.
[3]	刘汉卿, 桑国明, 张益嘉. 结合密集多尺度特征融合和特征知识增强Transformer的遥感图像描述模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 741-749.
[4]	谢欣冉, 崔喆, 陈睿, 彭泰来, 林德坤. 基于层次过滤与标签语义扩展的大模型零样本重排序方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 60-68.
[5]	张艳萍, 陈梅芳, 田昌海, 易子博, 胡文鹏, 罗威, 罗准辰. 面向军事领域知识问答系统的多策略检索增强生成方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 746-754.
[6]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[7]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[8]	赵征宇, 罗景, 涂新辉. 基于多粒度语义融合的信息检索方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1775-1780.
[9]	吴宁, 罗杨洋, 许华杰. 基于多尺度特征融合的遥感图像语义分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 737-744.
[10]	李雨秋, 侯利萍, 薛健, 吕科, 王泳. 基于内容解译的遥感图像推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 722-731.
[11]	李子怡, 曲婷婷, 崇乾鹏, 徐金东. 基于模糊多尺度特征的遥感图像分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3581-3586.
[12]	刘雨生, 肖学中. 基于扩散模型微调的高保真图像编辑[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3574-3580.
[13]	路琨婷, 费蓉蓉, 张选德. 融合卷积神经网络的遥感图像全色锐化[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2963-2969.
[14]	陈靖超, 徐树公, 丁友东. 基于字体字符属性引导的文本图像编辑方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1416-1421.
[15]	胡文浩, 罗景, 涂新辉. 面向稠密检索的伪相关反馈方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1036-1042.