| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-21页 |
| 1.1 课题的研究背景及意义 | 第12-13页 |
| 1.2 图像上采样技术的发展与研究现状 | 第13-16页 |
| 1.3 基于学习的相关技术及其在图像上采样中的研究 | 第16-18页 |
| 1.4 本文的研究工作 | 第18-19页 |
| 1.5 论文的安排 | 第19页 |
| 1.6 本章小结 | 第19-21页 |
| 2 基于纹理边缘特征与稀疏表示的深度图上采样算法 | 第21-30页 |
| 2.1 稀疏表示与字典学习 | 第21-22页 |
| 2.1.1 图像块的稀疏表示 | 第21-22页 |
| 2.1.2 字典学习 | 第22页 |
| 2.2 基于纹理边缘特征与稀疏表示的深度图上采样算法 | 第22-26页 |
| 2.2.1 基于纹理边缘特征与稀疏表示的深度图上采样框架 | 第22-23页 |
| 2.2.2 深度图像预处理与纹理边缘提取 | 第23-24页 |
| 2.2.3 特征表示与多字典学习 | 第24-26页 |
| 2.2.4 滤波增强的全局约束重建 | 第26页 |
| 2.3 实验结果与分析 | 第26-29页 |
| 2.3.1 数据集描述 | 第26-27页 |
| 2.3.2 评价标准 | 第27页 |
| 2.3.3 深度图像上采样方法对比 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于联合边缘引导下CNN与视点合成的深度图上采样 | 第30-47页 |
| 3.1 卷积神经网络基础模型 | 第30-32页 |
| 3.2 基于联合边缘引导下CNN与视点合成的深度图上采样算法 | 第32-35页 |
| 3.2.1 相关技术介绍 | 第32-33页 |
| 3.2.2 算法的实现流程 | 第33-34页 |
| 3.2.3 联合边缘提取与图像融合 | 第34页 |
| 3.2.4 特征映射与重建 | 第34-35页 |
| 3.3 深度图像网络重建的优化设计 | 第35-38页 |
| 3.3.1 基于Iterative Back-Projection与纹理边缘的局部增强条件 | 第35-36页 |
| 3.3.2 基于合成视点的全局优化方案 | 第36-38页 |
| 3.4 实验结果与分析 | 第38-46页 |
| 3.4.1 数据集说明 | 第38页 |
| 3.4.2 网络参数与评价标准 | 第38-39页 |
| 3.4.3 无噪声深度图像上采样与合成视点质量对比 | 第39-43页 |
| 3.4.4 有噪声深度图像上采样与合成视点质量对比 | 第43-44页 |
| 3.4.5 不同CNN优化方案实验结果 | 第44-45页 |
| 3.4.6 计算代价的比较 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 基于关键帧提取与特征强化CNN的深度视频序列上采样 | 第47-55页 |
| 4.1 深度视频序列分析 | 第47-48页 |
| 4.2 深度视频序列的上采样算法 | 第48-51页 |
| 4.2.1 深度视频序列的上采样算法框架图 | 第48-49页 |
| 4.2.2 基于运动向量的关键帧提取 | 第49-50页 |
| 4.2.3 训练集合选取方法 | 第50-51页 |
| 4.2.4 CNN特征强化层引入 | 第51页 |
| 4.3 实验结果与分析 | 第51-54页 |
| 4.3.1 实验条件描述 | 第52页 |
| 4.3.2 深度视频序列的上采样测试实验 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 结论 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简历 | 第61-63页 |
| 学位论文数据集 | 第63页 |
