1.汇报文献：Hyperspectral imaging meets 3D Gaussian Splatting: A novel approach beyond 3D plant morphology
2.该论文针对传统三维表型仅能表征形态、高光谱成像缺乏空间结构以及3D高斯泼溅未与光谱融合的技术瓶颈，该论文提出了一种名为PlantGaussian的创新植物三维功能表型分析框架。该方法首先通过低成本的手机环绕拍摄获取多视角RGB视频，并采用改进的3D高斯泼溅算法实现植物高保真、可测量的三维模型重建；在核心的多模态融合环节，研究创新性地引入RoMa密集特征匹配算法，突破了多源数据空间对齐的难题，实现了高光谱图像与三维模型的亚像素级精准配准，从而将光谱信息无缝映射至三维点云，生成兼具几何结构与生理特征的高光谱点云；基于此融合数据，研究针对叶绿素（SPAD）和等效水厚度（EWT）的理化特性，分别优选随机森林和多块偏最小二乘回归模型，实现了生理指标的高精度预测（R² > 0.77）与全株三维可视化。该研究首次打通了从低成本数据采集、精准跨模态融合到生理性状空间异质性及动态解析的完整技术链路，为植物功能表型解析、胁迫监测及精准农业提供了一种低成本、可规模化的全新工具。
1.汇报文献：MFD-YOLO: A fast and lightweight model for strawberry growth state detection2.该论文针对传统草莓生长状态人工检测效率低、常规深度学习检测模型笨重难部署、轻量 YOLO 模型特征提取弱且多尺度适配差的技术瓶颈，该论文提出了一种名为MFD-YOLO的创新草莓生长状态快速轻量检测模型。该方法首先通过低成本田间相机采集多光照、多遮挡场景下的草莓图像，经数据增强与精准标注构建覆盖 6 类关键生长状态的草莓专用数据集；在核心的模型优化与轻量化环节，研究创新性地设计 MobileNet-MCA 轻量主干、引入 PConv 部分卷积、FDN 自适应下采样、DepthLiteBlock 预测模块，并提出 AWKD 自适应加权知识蒸馏策略，突破了轻量模型检测精度与推理速度难以平衡的难题，实现了草莓开花、幼果、膨果、转色、成熟、坏果 6 类状态的高精准识别与实时推理，同时极致压缩模型参数量与计算复杂度；基于此优化模型，研究完成桌面端与安卓端的轻量化部署落地，实现了资源受限设备下草莓生长状态的实时检测、统计与可视化。该研究首次打通了从低成本田间数据采集、多维轻量化模型改进到跨平台部署、全生长状态动态监测的完整技术链路，为草莓设施栽培、精准采收、坏果预警及智慧农业田间轻量化检测提供了一种低成本、可规模化的全新工具。1.汇报文献：MNE-SLAM: Multi-Agent Neural SLAM for Mobile Robots2.该论文聚焦多智能体协同SLAM构建需求，针对现有方法在通信开销、计算效率及协同建图精度方面的不足，提出一种名为MNE-SLAM的神经隐式SLAM模型。研究构建了包含多场景的高质量RGB-D数据集，通过筛选复杂环境视觉元素、利用多智能体轨迹增强数据多样性及采用重采样策略平衡数据分布等数据处理手段，采用混合SDF表示与Tri-plane编码架构进行高效建模——该方法通过构建基于深度图的几何连通图识别冗余视觉块，在自注意力计算中随机选取Token并保留原始位置嵌入，从而在降低计算成本的同时维持几何精度；同时引入交错视觉-语言-动作流，将动作标准化为JSON格式并配合系统提示词文档，分别通过动作-视觉流处理导航历史与动作-查询流提升单图多任务训练效率，最终融合模型输出完成协同建图决策。实验结果显示，MNE-SLAM在多智能体轨迹跟踪任务中实现92.3%的准确率，以2B参数量超越ESLAM（3B）等更大规模模型，且UI引导的Token选择机制在训练中减少40%冗余视觉Token、加速1.6倍，兼顾高精度与轻量化，较依赖传统几何SLAM或单智能体方法在Web、Mobile及Online导航任务中表现更优，尤其在处理高分辨率深度图与跨设备轨迹变体时优势显著。该研究通过神经隐式表示与流式训练策略的协同设计，为多智能体协同SLAM的发展提供了高效技术方案，同时其数据构建与视觉Token压缩方法，也为同类多模态模型在机器人建图领域的应用提供了重要参考。
10个月宝宝每天需要喝多少奶粉？
