相位一致性是图像处理和计算机视觉领域中的一个重要概念，主要用于检测图像中的边缘和特征。它基于信号的相位信息，能够在不同光照和对比度条件下保持稳定的特征检测性能。传统的相位一致性模型通常依赖于傅里叶变换或小波变换来提取相位信息，但这些方法在计算效率和适应性方面存在一定局限性。近年来，研究者提出了两种新的相位一致性模型，旨在改进传统方法的不足。第一种模型通过优化局部相位计算方式，提高了特征检测的精度和鲁棒性；第二种模型则结合了深度学习方法，利用神经网络自动学习相位一致性特征，进一步提升了模型的泛化能力和计算效率。这两种新模型为图像特征检测提供了更高效和可靠的解决方案，适用于医学影像、遥感图像等多种应用场景。