多尺度特征优化的单目深度估计框架FCMdepth

doi:10.11772/j.issn.1001-9081.2025070890

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2603-2611.DOI: 10.11772/j.issn.1001-9081.2025070890

• 多媒体计算与计算机仿真 • 上一篇下一篇

多尺度特征优化的单目深度估计框架FCMdepth

刘凤春¹^,²^,³^,⁴^,⁵^,⁶, 邵馨莹⁷, 张春英¹^,³^,⁴^,⁵^,⁶(), 王立亚¹^,³^,⁴^,⁵^,⁶, 任静¹^,³^,⁴^,⁵^,⁶

^1.华北理工大学理学院，河北唐山 063210
^2.华北理工大学轻工学院，河北唐山 063210
^3.铁矿石优选与铁前工艺智能化河北省工程研究中心（华北理工大学），河北唐山 063210
^4.河北省数据科学与应用重点实验室（华北理工大学），河北唐山 063210
^5.华北理工大学唐山市工程计算重点实验室，河北唐山 063210
^6.华北理工大学唐山市智能工业与图像处理技术创新中心，河北唐山 063210
^7.华北理工大学人工智能学院，河北唐山 063210

收稿日期:2025-08-05 修回日期:2025-10-15 接受日期:2025-10-15 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 张春英
作者简介:刘凤春（1976—），男，辽宁丹东人，教授，硕士，CCF会员，主要研究方向：深度学习、数据挖掘、大数据安全、隐私保护
邵馨莹（1999—），女，河北迁安人，硕士研究生，主要研究方向：图像处理
张春英（1969—），女，河北迁安人，教授，博士，CCF会员，主要研究方向：深度学习、计算机视觉
王立亚（1987—），女，河北唐山人，副教授，硕士，主要研究方向：机器学习、大数据分析
任静（1995—），女，河南焦作人，讲师，硕士，主要研究方向：数据挖掘、机器学习、粗糙集。
基金资助:
省属高校基本科研业务费资助项目(JJC2024036);唐山市科技计划项目(24140202C)

FCMdepth： monocular depth estimation framework with multi-scale feature optimization

Fengchun LIU¹^,²^,³^,⁴^,⁵^,⁶, Xinying SHAO⁷, Chunying ZHANG¹^,³^,⁴^,⁵^,⁶(), Liya WANG¹^,³^,⁴^,⁵^,⁶, Jing REN¹^,³^,⁴^,⁵^,⁶

^1.College of Sciences，North China University of Science and Technology，Tangshan Hebei 063210，China
^2.Qing Gong College，North China University of Science and Technology，Tangshan Hebei 063210，China
^3.Hebei Engineering Research Center for the Intelligentization of Iron Ore Optimization and Ironmaking Raw Materials Preparation Processes （North China University of Science and Technology），Tangshan Hebei 063210，China
^4.Hebei Provincial Key Laboratory of Data Science and Application （North China University of Science and Technology），Tangshan Hebei 063210，China
^5.Tangshan Key Laboratory of Engineering Computing，North China University of Science and Technology，Tangshan Hebei 063210，China
^6.Tangshan Intelligent Industry and Image Processing Technology Innovation Center，North China University of Science and Technology，Tangshan Hebei 063210，China
^7.College of Artificial Intelligence，North China University of Science and Technology，Tangshan Hebei 063210，China

Received:2025-08-05 Revised:2025-10-15 Accepted:2025-10-15 Online:2025-11-05 Published:2026-08-10
Contact: Chunying ZHANG
About author:LIU Fengchun， born in 1976， M. S.， professor. His research interests include deep learning， data mining， big data security， privacy protection.
SHAO Xinying， born in 1999， M. S. candidate. Her research interests include image processing.
WANG Liya， born in 1987， M. S.， associate professor. Her research interests include machine learning， big data analysis.
REN Jing， born in 1995， M. S.， lecturer. Her research interests include data mining， machine learning， rough set.
Supported by:
Fundamental Research Funds for Provincial Universities(JJC2024036);Tangshan Science and Technology Program(24140202C)

摘要/Abstract

摘要：

针对单目深度估计中特征提取不足和上下文建模不充分的问题，提出一种融合多尺度特征的单目深度估计框架FCMdepth，以提升预测性能。FCMdepth采用编码器-解码器（ED）结构，编码器FC-Net由MobileNetV3-F与CDBlock组成，通过多尺度特征及空洞卷积优化特征；解码器LapMA-Net结合拉普拉斯金字塔与高效多尺度注意力（EMA）模块，以增强跨尺度特征融合，并输出准确深度图。在KITTI数据集上的实验结果表明，FCMdepth相较于Lapdepth，均方根误差（RMSE）、对数均方根误差（Log_RMSE）和平方相对误差（Sq_Rel）这3项误差指标分别低0.831、0.009和0.145，3项准确率指标的均值分别提高0.4、0.8和0.3个百分点。可见，FCMdepth在多数指标上优于对比模型，为单目深度估计和复杂场景的三维重建提供了有效参考。

关键词: 单目深度估计, 多尺度注意力机制, 深度学习, 编码器-解码器结构, 多尺度特征

Abstract:

To address the issues of insufficient feature extraction and inadequate context modeling in monocular depth estimation， we proposed a multi-scale feature fused monocular depth estimation optimization framework， FCMdepth， to enhance prediction performance. FCMdepth adopted an Encoder-Decoder （ED） structure， where the encoder， FC-Net， consists of MobileNetV3-F and CDBlock， and optimized features through multi-scale features and dilated convolutions， while the decoder， LapMA-Net， combined the Laplacian pyramid with an Efficient Multi-scale Attention （EMA） module to enhance cross-scale feature fusion and output accurate depth maps. Experimental results on the KITTI datasets show that， compared to Lapdepth， FCMdepth achieves lower values for the three error metrics： Root Mean Square Error （RMSE）， Root Mean Square Logarithmic Error （Log_RMSE），and Square Relative error （Sq_Rel）， with reductions of 0.831， 0.009， and 0.145， respectively， and improves three accuracy metrics by of 0.4， 0.8， and 0.3 percentage points， respectively. It can be seen that FCMdepth has superior performance compared to other models in most metrics and provides an effective reference for monocular depth estimation and 3D reconstruction in complex scenes.

Key words: monocular depth estimation, multi-scale attention mechanism, deep learning, encoder-decoder structure, multi-scale feature

中图分类号:

TP391.41

刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 计算机应用, 2026, 46(8): 2603-2611.

Fengchun LIU, Xinying SHAO, Chunying ZHANG, Liya WANG, Jing REN. FCMdepth： monocular depth estimation framework with multi-scale feature optimization[J]. Journal of Computer Applications, 2026, 46(8): 2603-2611.

图/表 14

参考文献 30

[1]	Ming Y， Meng X， Fan C， et al. Deep learning for monocular depth estimation： a review［J］. Neurocomputing， 2021， 438： 14-33.
[2]	Duan Z， Chen Y， Yu H， et al. RGB-Fusion： monocular 3D reconstruction with learned depth prediction［J］. Displays， 2021， 70： No.102100.
[3]	Long X， Liu L， Li W， et al. Multi-view depth estimation using epipolar spatio-temporal networks［C］// CVPR 2021. Piscataway： IEEE， 2021： 8254-8263.
[4]	Wang H， Yang M， Zhu C， et al. RGB-guided depth map recovery by two-stage coarse-to-fine dense CRF models［J］. IEEE Transactions on Image Processing， 2023， 32： 1315-1328.
[5]	Dong X， Garratt M A， Anavatti S G， et al. Towards real-time monocular depth estimation for robotics： a survey［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（10）： 16940-16961.
[6]	Zhang N， Nex F， Vosselman G， et al. Lite-Mono： a lightweight CNN and Transformer architecture for self-supervised monocular depth estimation［C］// CVPR 2023. Piscataway： IEEE， 2023： 18537-18546.
[7]	Yang L， Kang B， Huang Z， et al. Depth Anything： unleashing the power of large-scale unlabeled data［C］// CVPR 2024. Piscataway： IEEE， 2024： 10371-10381.
[8]	Wang J， Liu J， Tang D， et al. Scalable autoregressive monocular depth estimation［C］// CVPR 2025. Piscataway： IEEE， 2025： 6262-6272.
[9]	李文举，李梦颖，崔柳，等. 基于金字塔分割注意力网络的单目深度估计方法［J］. 计算机应用， 2023， 43（6）： 1736-1742.
	Li Wenju， Li Mengying， Cui Liu， et al. Monocular depth estimation method based on pyramid split attention network［J］. Journal of Computer Applications， 2023， 43（6）： 1736-1742.
[10]	肖磊，胡鹏，马俊杰. 局部注意力作用下基于全局信息关联的自监督单目深度估计模型［J］. 激光与光电子学进展， 2025， 62（8）： No.0815010.
	Xiao Lei， Hu Peng， Ma Junjie. Self-supervised monocular depth estimation model based on global information correlation under influence of local attention［J］. Laser and Optoelectronics Progress， 2025， 62（8）： No.0815010.
[11]	Song M， Lim S， Kim W. Monocular depth estimation using Laplacian pyramid-based depth residuals［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2021， 31（11）： 4381-4393.
[12]	Zhu Y， Ren R， Dong W， et al. TSUDepth： exploring temporal symmetry-based uncertainty for unsupervised monocular depth estimation［J］. Neurocomputing， 2024， 600： No.128165.
[13]	Lu J， Huang T， Li P， et al. Align3R： aligned monocular depth estimation for dynamic videos［C］// CVPR 2025.Piscataway： IEEE， 2025： 22820-22830.
[14]	熊炜，陈奕博，张丽真，等. 利用多帧序列影像的自监督单目深度估计［J］. 计算机应用， 2024， 44（12）： 3907-3914.
	Xiong Wei， Chen Yibo， Zhang Lizhen， et al. Self-supervised monocular depth estimation using multi-frame sequence images［J］. Journal of Computer Applications， 2024， 44（12）： 3907-3914.
[15]	Hwang S J， Park S J， Baek J H， et al. Self-supervised monocular depth estimation using hybrid Transformer encoder［J］. IEEE Sensors Journal， 2022， 22（19）： 18762-18770.
[16]	Li Z， Wang X， Liu X， et al. BinsFormer： revisiting adaptive bins for monocular depth estimation［J］. IEEE Transactions on Image Processing， 2024， 33： 3964-3976.
[17]	Zhao C， Zhang Y， Poggi M， et al. MonoViT： self-supervised monocular depth estimation with a Vision Transformer［C］// 3DV 2022. Piscataway： IEEE， 2022： 668-678.
[18]	Li Z， Chen Z， Liu X， et al. DepthFormer： exploiting long-range correlation and local information for accurate monocular depth estimation［J］. Machine Intelligence Research， 2023， 20（6）： 837-854.
[19]	Lyu X， Liu L， Wang M， et al. HR-depth： high resolution self-supervised monocular depth estimation［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（3）： 2294-2301.
[20]	Godard C， Mac Aodha O， Firman M， et al. Digging into self-supervised monocular depth estimation［C］// ICCV 2019. Piscataway： IEEE， 2019： 3827-3837.
[21]	Spencer J， Tosi F， Poggi M， et al. The third Monocular Depth Estimation Challenge［C］// CVPRW 2024. Piscataway： IEEE， 2024： 1-14.
[22]	Lopez J， Vargas E， Arguello H. Depth estimation from a single optical encoded image using a learned colored-coded aperture［J］. IEEE Transactions on Computational Imaging， 2024， 10： 752-761.
[23]	Devanshi C， Panchal D， Patel J， et al. AI-based object measurement using MiDaS depth estimation and MobileNetV3 edge detection［J］. International Journal on Science and Technology， 2025， 16（2）： No.3924.
[24]	Zehra R， Sharma O， Vinayak， et al. MobileNet-V3： a comprehensive survey of object detection algorithms using CNN［M］// Emerging trends in computer science and its application. Boca Raton， FL： CRC Press， 2025： 362-366.
[25]	Howard A， Sandler M， Chen B， et al. Searching for MobileNetV3［C］// ICCV 2019. Piscataway： IEEE， 2019： 1314-1324.
[26]	Spencer J， Qian C S， Russell C， et al. The monocular depth estimation challenge［C］// WACVW 2023. Piscataway： IEEE， 2023： 623-632.
[27]	Arampatzakis V， Pavlidis G， Mitianoudis N， et al. Monocular depth estimation： a thorough review［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 46（4）： 2396-2414.
[28]	余伟群，刘佳涛，张亚萍. 融合注意力的拉普拉斯金字塔单目深度估计［J］. 图学学报， 2023， 44（4）： 728-738.
	Yu Weiqun， Liu Jiatao， Zhang Yaping. Monocular depth estimation based on Laplacian pyramid with attention fusion［J］. Journal of Graphics， 2023， 44（4）： 728-738.
[29]	Ouyang D， He S， Zhang G， et al. Efficient multi-scale attention module with cross-spatial learning［C］// ICASSP 2023. Piscataway： IEEE， 2023： 1-5.
[30]	Shao S， Pei Z， Chen W， et al. MonoDiffusion： self-supervised monocular depth estimation using diffusion model［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2025， 35（4）： 3664-3678.

轮次	RMSE	Log_RMSE	Abs_Rel	Sq_Rel	Acc1/%	Acc2/%	Acc3/%
1	6.412	0.313	0.274	2.266	64.3	84.7	93.7
5	4.170	0.189	0.130	0.694	83.1	95.4	98.7
10	3.695	0.166	0.116	0.563	86.1	96.8	99.1
15	3.635	0.160	0.107	0.496	87.4	97.1	99.2
20	3.486	0.157	0.108	0.495	87.8	97.2	99.3
30	3.515	0.154	0.104	0.469	88.1	97.4	99.3
35	3.164	0.143	0.099	0.407	89.6	98.0	99.5

轮次	RMSE	Log_RMSE	Abs_Rel	Sq_Rel	Acc1/%	Acc2/%	Acc3/%
1	6.412	0.313	0.274	2.266	64.3	84.7	93.7
5	4.170	0.189	0.130	0.694	83.1	95.4	98.7
10	3.695	0.166	0.116	0.563	86.1	96.8	99.1
15	3.635	0.160	0.107	0.496	87.4	97.1	99.2
20	3.486	0.157	0.108	0.495	87.8	97.2	99.3
30	3.515	0.154	0.104	0.469	88.1	97.4	99.3
35	3.164	0.143	0.099	0.407	89.6	98.0	99.5

实验	MobileNetV3	ASPP	ASPP1	ASPP2	LP结构	MovbileNetV3-F	CDBlock	带EMA模块的LP结构	RMSE	Log_RMSE	Abs_Rel	Sq_Rel	Acc1/%	Acc2/%	Acc3/%
实验1	√	×	×	×	×	×	√	√	3.356	0.150	0.102	0.449	88.9	97.6	99.4
实验2	×	√	×	×	√	√	×	×	3.825	0.173	0.121	0.602	85.1	96.4	99.1
实验3	×	×	×	×	√	√	×	×	3.803	0.171	0.120	0.574	85.7	96.6	99.1
实验4	√	×	×	×	√	×	√	×	3.267	0.182	0.132	0.447	84.7	95.7	99.2
实验5	√	×	×	×	×	×	×	√	4.000	0.181	0.130	0.646	84.1	96.0	98.9
实验6	×	×	×	×	×	√	×	√	3.272	0.147	0.101	0.433	89.2	97.7	99.4
实验7	√	√	×	×	√	×	×	×	4.114	0.188	0.136	0.726	82.7	95.4	98.7
实验8	×	×	×	×	√	√	√	×	3.416	0.154	0.107	0.462	87.9	97.4	99.4
实验9	√	×	×	×	√	×	×	×	4.570	0.213	0.160	0.951	79.1	93.6	98.0
实验10	√	×	√	×	√	×	×	×	5.849	0.250	0.177	1.195	70.3	90.8	97.5
实验11	√	×	×	√	√	×	×	×	3.188	0.175	0.125	0.624	88.4	96.2	99.0
实验12	√	×	×	√	×	×	×	√	3.500	0.160	0.115	0.533	87.2	97.2	99.3
实验13	√	×	√	×	×	×	×	√	3.682	0.175	0.132	0.601	84.4	96.3	99.0
实验14	×	×	×	√	√	√	×	×	3.365	0.153	0.106	0.458	88.1	97.4	99.4
实验15	×	×	√	×	√	√	×	×	3.367	0.152	0.106	0.455	88.3	97.5	99.4
实验16	×	×	√	×	×	√	×	√	3.297	0.148	0.101	0.433	89.0	97.8	99.4
实验17	×	×	×	√	×	√	×	√	3.240	0.148	0.104	0.429	88.6	97.7	99.5
实验18	×	√	×	×	×	√	×	√	3.790	0.146	0.105	0.416	89.2	97.9	99.5
实验19	√	√	×	×	×	×	×	√	3.518	0.161	0.113	0.503	87.1	97.1	99.3
实验20 （FCMdepth）	×	×	×	×	×	√	√	√	3.164	0.143	0.099	0.407	89.6	98.0	99.5

实验	MobileNetV3	ASPP	ASPP1	ASPP2	LP结构	MovbileNetV3-F	CDBlock	带EMA模块的LP结构	RMSE	Log_RMSE	Abs_Rel	Sq_Rel	Acc1/%	Acc2/%	Acc3/%
实验1	√	×	×	×	×	×	√	√	3.356	0.150	0.102	0.449	88.9	97.6	99.4
实验2	×	√	×	×	√	√	×	×	3.825	0.173	0.121	0.602	85.1	96.4	99.1
实验3	×	×	×	×	√	√	×	×	3.803	0.171	0.120	0.574	85.7	96.6	99.1
实验4	√	×	×	×	√	×	√	×	3.267	0.182	0.132	0.447	84.7	95.7	99.2
实验5	√	×	×	×	×	×	×	√	4.000	0.181	0.130	0.646	84.1	96.0	98.9
实验6	×	×	×	×	×	√	×	√	3.272	0.147	0.101	0.433	89.2	97.7	99.4
实验7	√	√	×	×	√	×	×	×	4.114	0.188	0.136	0.726	82.7	95.4	98.7
实验8	×	×	×	×	√	√	√	×	3.416	0.154	0.107	0.462	87.9	97.4	99.4
实验9	√	×	×	×	√	×	×	×	4.570	0.213	0.160	0.951	79.1	93.6	98.0
实验10	√	×	√	×	√	×	×	×	5.849	0.250	0.177	1.195	70.3	90.8	97.5
实验11	√	×	×	√	√	×	×	×	3.188	0.175	0.125	0.624	88.4	96.2	99.0
实验12	√	×	×	√	×	×	×	√	3.500	0.160	0.115	0.533	87.2	97.2	99.3
实验13	√	×	√	×	×	×	×	√	3.682	0.175	0.132	0.601	84.4	96.3	99.0
实验14	×	×	×	√	√	√	×	×	3.365	0.153	0.106	0.458	88.1	97.4	99.4
实验15	×	×	√	×	√	√	×	×	3.367	0.152	0.106	0.455	88.3	97.5	99.4
实验16	×	×	√	×	×	√	×	√	3.297	0.148	0.101	0.433	89.0	97.8	99.4
实验17	×	×	×	√	×	√	×	√	3.240	0.148	0.104	0.429	88.6	97.7	99.5
实验18	×	√	×	×	×	√	×	√	3.790	0.146	0.105	0.416	89.2	97.9	99.5
实验19	√	√	×	×	×	×	×	√	3.518	0.161	0.113	0.503	87.1	97.1	99.3
实验20 （FCMdepth）	×	×	×	×	×	√	√	√	3.164	0.143	0.099	0.407	89.6	98.0	99.5

数据集名称	名称	参数量/10⁶	RMSE	Log_RMSE	Abs_Rel	Sq_Rel	lg error	Acc1/%	Acc2/%	Acc3/%
KITTI	Lapdepth^［11］	73.5	3.995	0.152	0.096	0.552		89.2	97.2	99.2
	Hr-depth^［19］	14.6	4.800	0.190	0.109	0.955		88.4	96.1	98.1
	Monodepth2^［20］	14.8	4.841	0.195	0.117	0.847		87.1	96.0	98.1
	Lite-mono^［6］	8.7	4.986	0.199	0.125	0.935		85.9	95.1	98.0
	TSUDepth^［12］	128.4	4.484	0.177	0.100	0.696		89.5	96.6	98.4
	Depth Anything^［7］	24.8	2.328	0.146	0.101	0.420		90.6	97.5	99.5
	FCMdepth	5.5	3.164	0.143	0.099	0.407		89.6	98.0	99.5
NYU-Depth V2	Lapdepth^［11］	73.5	0.439	0.054	0.111		0.055	88.1	96.8	99.2
	Hr-depth^［19］	14.6	0.572	0.060	0.151		0.076	88.4	96.1	98.1
	Monodepth2^［20］	14.8	0.731	1.131	2.121		1.256	81.6	95.3	97.2
	Lite-mono^［6］	8.7	0.457	0.049	0.118		0.093	87.8	96.3	98.8
	TSUDepth^［12］	128.4	0.433	0.064	0.147		0.083	88.9	96.6	98.4
	Depth Anything^［7］	24.8	0.384	0.035	0.105		0.069	89.1	97.3	99.0
	FCMdepth	5.5	0.367	0.031	0.101		0.047	89.2	97.5	99.1

多尺度特征优化的单目深度估计框架FCMdepth

FCMdepth： monocular depth estimation framework with multi-scale feature optimization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 30

相关文章 15

编辑推荐

Metrics

[1]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[2]	郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2548-2554.
[3]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[4]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.
[5]	刘新亮, 徐雨时, 李杜白, 任延昭. 基于知识图谱的问答方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2394-2410.
[6]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[7]	刘晶, 赵邵泽, 刘鑫刚, 牛浩哲, 季海鹏. 跨工况下基于改进CGAN的钛合金显微组织数据生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2373-2382.
[8]	凌妙根, 井瑞, 方巍. 可解释性深度学习在热带气旋预报中的应用研究综述[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2318-2326.
[9]	武湘怡, 叶海良, 曹飞龙. 基于平滑-锐化图卷积的点云补全方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2267-2276.
[10]	朱莉, 米路革麻, 朱春强, 徐婉茹, 高靖凯, 屈锦琪. 基于动态卷积分解和多尺度图的短期电力负荷预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2334-2346.
[11]	杜艺, 续明进, 孔佳仪, 王力瑶, 赵晨. 基于YOLOv11的低秩自适应参数高效微调算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1738-1745.
[12]	熊珍凯, 徐梦军, 孙胤胤, 王鑫. 基于改进YOLOv8的复杂天气环境下海面船舶检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1998-2006.
[13]	何丽丽, 曹勐, 张磊, 潘洪军, 刘义, 孙成心. 基于Kolmogorov-Arnold网络与扩散Transformer的手语生成模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1801-1810.
[14]	吕超, 马歌谣. 基于冗余特征抑制的轻量级人体姿态估计网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1973-1980.
[15]	盛兴, 翁孙贤, 陈扩松, 王忠平, 任芮锋, 刘勇. 基于深度学习的电网企业专利价值评估[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1468-1474.