| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于线索的深度恢复 | 第10-11页 |
| 1.2.2 基于机器学习的深度恢复 | 第11页 |
| 1.2.3 基于深度学习的深度恢复 | 第11-12页 |
| 1.3 本文的主要结构 | 第12-15页 |
| 第2章 卷积神经网络与实现 | 第15-22页 |
| 2.1 人工神经网络概述 | 第15页 |
| 2.2 人工神经网络的学习过程 | 第15-16页 |
| 2.3 卷积神经网络(Convolution Neural Networks,CNNs) | 第16-21页 |
| 2.3.1 卷积层 | 第17-18页 |
| 2.3.2 下采样层 | 第18-19页 |
| 2.3.3 激活函数层 | 第19-21页 |
| 2.4 MatConvNet深度学习框架 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于全卷积网络的单张图像深度恢复 | 第22-30页 |
| 3.1 全卷积网络 | 第23-26页 |
| 3.1.1 全连接层卷积化 | 第24-25页 |
| 3.1.2 反卷积 | 第25页 |
| 3.1.3 损失函数 | 第25-26页 |
| 3.2 基于全卷积网络深度恢复模型 | 第26-27页 |
| 3.3 网络训练细节 | 第27-28页 |
| 3.4 实验结果 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 时空一致性的图像序列深度恢复 | 第30-46页 |
| 4.1 基于空间一致性约束的单幅图像深度恢复 | 第31页 |
| 4.2 基于时空一致性约束的图像序列深度恢复 | 第31-39页 |
| 4.2.1 时空一致卷积神经场结构 | 第32-33页 |
| 4.2.2 时间一致性超像素分割 | 第33-34页 |
| 4.2.3 超像素深度神经网络 | 第34-36页 |
| 4.2.4 时空一致条件随机场 | 第36-39页 |
| 4.3 网络训练细节 | 第39页 |
| 4.4 实验结果 | 第39-45页 |
| 4.4.1 NYU v2数据集 | 第40-42页 |
| 4.4.2 LYB 3D-TV数据集 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 交互式深度图修补系统 | 第46-51页 |
| 5.1 自动深度估计误差原因分析 | 第46-47页 |
| 5.2 交互式深度图修补 | 第47-50页 |
| 5.2.1 修补操作方式 | 第48页 |
| 5.2.2 修补操作过程 | 第48-50页 |
| 5.3 实验结果 | 第50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 本文工作总结 | 第51页 |
| 6.2 未来工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录1 攻读硕士期间参加的科研项目 | 第57-58页 |
| 致谢 | 第58-59页 |