| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 论文的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-13页 |
| 1.2.1 基于光场的深度信息提取 | 第11-12页 |
| 1.2.2 深度学习与卷积神经网络的发展 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关理论基础 | 第15-27页 |
| 2.1 光场成像介绍 | 第15-17页 |
| 2.1.1 光场的概述 | 第15页 |
| 2.1.2 光场的获取 | 第15-16页 |
| 2.1.3 光场成像的计算 | 第16-17页 |
| 2.2 立体匹配 | 第17-21页 |
| 2.2.1 立体匹配概述 | 第17-18页 |
| 2.2.2 立体匹配约束条件 | 第18-19页 |
| 2.2.3 立体匹配算法 | 第19-21页 |
| 2.3 卷积神经网络 | 第21-26页 |
| 2.3.1 人工神经网络概述 | 第21-22页 |
| 2.3.2 卷积神经网络概述 | 第22-23页 |
| 2.3.3 卷积层与降采样层 | 第23-24页 |
| 2.3.4 激活函数 | 第24页 |
| 2.3.5 损失函数 | 第24-25页 |
| 2.3.6 反向传播 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 训练数据集的构造与增强 | 第27-36页 |
| 3.1 4D Light Field Benchmark | 第27-29页 |
| 3.1.1 数据集介绍 | 第27-28页 |
| 3.1.2 评测指标 | 第28-29页 |
| 3.2 基于Blender的光场数据构建 | 第29-32页 |
| 3.2.1 Blender介绍 | 第29页 |
| 3.2.2 三维场景配置与数据生成 | 第29-32页 |
| 3.3 训练数据的构建与增强 | 第32-35页 |
| 3.3.1 EPI Patch介绍与提取 | 第32-33页 |
| 3.3.2 训练数据的预处理 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于十字EPI PATCH的卷积神经网络 | 第36-50页 |
| 4.1 基于十字EPI Patch的卷积神经网络 | 第36-41页 |
| 4.1.1 问题分析 | 第36-37页 |
| 4.1.2 网络结构 | 第37-38页 |
| 4.1.3 基于全局性约束的后处理 | 第38-39页 |
| 4.1.4 网络训练过程 | 第39-40页 |
| 4.1.5 网络测试过程 | 第40-41页 |
| 4.2 实验与分析 | 第41-49页 |
| 4.2.1 运行环境 | 第41-43页 |
| 4.2.2 实验结果与分析 | 第43-47页 |
| 4.2.3 EPI对结果的影响 | 第47-48页 |
| 4.2.4 后处理结果的影响 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 基于星型EPI PATCH的卷积神经网络 | 第50-58页 |
| 5.1 基于星型EPI Patch的卷积神经网络 | 第50-53页 |
| 5.1.1 星型EPI Patch的选取 | 第50-51页 |
| 5.1.2 网络结构 | 第51-52页 |
| 5.1.3 损失函数的优化 | 第52页 |
| 5.1.4 视差后处理的插值计算 | 第52页 |
| 5.1.5 后处理的调整 | 第52-53页 |
| 5.2 实验结果与分析 | 第53-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58页 |
| 6.2 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-66页 |
| 详细摘要 | 第66-68页 |