| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-14页 |
| 1.1.1 深度摄像头和相关技术 | 第10-12页 |
| 1.1.2 深度图像特点 | 第12-13页 |
| 1.1.3 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 深度图像去噪国内外研究现状 | 第14-16页 |
| 1.2.2 深度图像超分辨率重建国内外研究现状 | 第16-17页 |
| 1.3 论文研究内容与结构 | 第17-20页 |
| 第二章 深度学习相关技术 | 第20-36页 |
| 2.1 前馈神经网 | 第20-27页 |
| 2.1.1 人工神经元 | 第20-21页 |
| 2.1.2 激活函数 | 第21-23页 |
| 2.1.3 前馈神经网络框架 | 第23页 |
| 2.1.4 梯度下降及反向传播算法 | 第23-27页 |
| 2.2 卷积神经网络 | 第27-32页 |
| 2.2.1 卷积层 | 第27-28页 |
| 2.2.2 池化层和全连接层 | 第28-29页 |
| 2.2.3 其他卷积方式介绍 | 第29-32页 |
| 2.3 深度学习优化算法介绍 | 第32-35页 |
| 2.4 本章总结 | 第35-36页 |
| 第三章 基于多尺度互特征CNN的深度图像去噪 | 第36-59页 |
| 3.1 方法概述 | 第36-37页 |
| 3.2 深度图像去噪的特点与定义 | 第37-40页 |
| 3.2.1 深度图像和强度图像之间的结构分析 | 第37-38页 |
| 3.2.2 深度图像去噪定义 | 第38-40页 |
| 3.3 基于多尺度互特征CNN的深度图像去噪网络 | 第40-47页 |
| 3.3.1 互特征生成器 | 第41-42页 |
| 3.3.2 多尺度互特征生成器 | 第42-45页 |
| 3.3.3 深度信息转换子网络 | 第45-47页 |
| 3.4 实验结果及分析 | 第47-57页 |
| 3.4.1 评价指标 | 第47页 |
| 3.4.2 实验数据构建 | 第47-49页 |
| 3.4.3 实验环境和训练细节 | 第49-50页 |
| 3.4.4 网络框架对比 | 第50-52页 |
| 3.4.5 像素抖动实验 | 第52-53页 |
| 3.4.6 其他方法对比 | 第53-56页 |
| 3.4.7 实际数据测试 | 第56-57页 |
| 3.5 本章总结 | 第57-59页 |
| 第四章 基于多尺度互特征CNN的深度图像超分辨率重建 | 第59-79页 |
| 4.1 方法概述 | 第59-60页 |
| 4.2 基于CNN的图像超分辨率模型 | 第60-63页 |
| 4.2.1 网络框架 | 第61-62页 |
| 4.2.2 与稀疏编码方法的联系 | 第62-63页 |
| 4.3 基于MSMF引导的深层深度图像超分辨率CNN | 第63-66页 |
| 4.3.1 网络框架 | 第63-65页 |
| 4.3.2 残差模块 | 第65-66页 |
| 4.3.3 损失函数 | 第66页 |
| 4.4 基于MSMF和残差融合的深度图像超分辨率算法 | 第66-70页 |
| 4.4.1 网络框架 | 第67-69页 |
| 4.4.2 残差学习 | 第69-70页 |
| 4.5 实验结果及分析 | 第70-78页 |
| 4.5.1 评价指标 | 第70-71页 |
| 4.5.2 实验环境和训练细节 | 第71-73页 |
| 4.5.3 网络深度对深度图像超分辨率重建的影响 | 第73-74页 |
| 4.5.4 不同引导信息效果对比 | 第74-75页 |
| 4.5.5 残差学习对网络收敛速度的影响 | 第75-76页 |
| 4.5.6 其他方法对比 | 第76-78页 |
| 4.6 本章总结 | 第78-79页 |
| 第五章 总结与展望 | 第79-82页 |
| 5.1 本文总结 | 第79-80页 |
| 5.2 未来展望 | 第80-82页 |
| 参考文献 | 第82-89页 |
| 攻读硕士学位期间取得的研究成果 | 第89-90页 |
| 致谢 | 第90-91页 |
| 附件 | 第91页 |
