过明确目标任务、落实保障措施、应对潜在风险，结合典型区域示范 与多交通体系协同发展，积极探索创新发展方向，我国将逐步构建起 安全、高效、智能、绿色的低空经济交通基础设施体系，为低空经济 蓬勃发展奠定坚实基础，开创交通领域发展新局面，助力实现交通强 国战略目标。

策支持，可以有效应对网络安 全威胁和数据泄露风险，为低空经济产业提供更加安全、智能和可靠的保障。希 望本白皮书能够为相关主管部门以及行业提供有价值的参考，促进低空智能网联 体系的健康发展，共同开创低空经济更加安全、创新与可持续的新篇章。 2. 发展趋势 2.1. 低空经济发展的六要素 近年来，全球低空经济行业得到了快速发展，技术的突破和政策的支持为这 一进程提供了强有力的推动力。无人机等低空经济相关产业的蓬勃发展，已成为

复杂细节建模的局限性。 随着深度学习兴起，单图超分技术进入性能跃升期，卷积神经网络（convolutional neur al network, CNN）的架构优化成为早期核心方向。SRCNN 开创了端到端学习范式，首次 通过深度学习实现从低分辨率到高分辨率的直接映射，为后续研究奠定了基础。在此基础上， FSRCNN（fast super-resolution CNN） [28]通过端到端的全卷积结构和特征收缩 Shape Prior[113]率先将雪花形态学特征（如六边形对称性）作为正则项嵌入迭代优化网络， 在 Snow100K 数据集上 PSNR 达 32.6 dB，较传统模型提升 4.2 dB。该工作开创的物理约束 范式为后续研究指明方向。为进一步解决复杂场景的频域混叠问题，Hierarchical Dual-Tree Wavelet Desnowing[114]创新采用双树复小波变换分解图像，其设计的矛盾通道损失（Contra nowMaster[134]结合多模态大语言模型（MLLM）与强化学习反馈：文本提示（如"农田积雪"） 指导视觉修复方向，反馈循环动态调整去雪强度，使农田监测的作物识别准确率提升 11%。 其语义驱动范式开创任务自适应新路径。为优化边缘细节，Bidirectional Attention Transfor mer[135]构建掩模-背景协同机制：前向路径预测雪掩模，后向路径融合掩模信息重建背景， 在山区航拍图像边缘保持指数（EPI）提升