首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

增强现实系统中基于单目图像的光照估计

摘要第5-7页
Abstract第7-9页
第1章 背景和研究现状第14-23页
    1.1 研究背景与意义第14-16页
    1.2 国内外研究现状第16-20页
        1.2.1 光照估计方法研究现状第16-18页
        1.2.2 光照估计方法在增强现实系统中的应用现状第18-20页
    1.3 本文主要工作和内容安排第20-23页
第2章 光照估计相关基础第23-38页
    2.1 增强现实系统中的光照模型第23-30页
        2.1.1 基本光照模型第23-27页
        2.1.2 基于物理材质的光照模型第27-30页
    2.2 增强现实系统三维重建技术基础第30-34页
        2.2.1 增强现实系统的空间坐标系第30-32页
        2.2.2 基于图像的三维重建几何变换基础第32-34页
    2.3 增强现实系统中的阴影生成方法第34-37页
        2.3.1 阴影图法第35-36页
        2.3.2 阴影体法第36-37页
    2.4 本章小结第37-38页
第3章 基于深度学习的光源检测与分割第38-64页
    3.1 基于全卷积神经网络的光源粗分割第38-44页
        3.1.1 全卷积神经网络的基本结构第39-40页
        3.1.2 光源粗分割方法第40-44页
    3.2 引入全连接条件随机场的光源精修第44-49页
        3.2.1 条件随机场第45-46页
        3.2.2 基于全连接条件随机场的改进模型第46-49页
    3.3 基于单目图像的光亮度估计第49-54页
        3.3.1 光照色度的计算第50-53页
        3.3.2 相机响应曲线逆函数的计算第53-54页
    3.4 实验结果与分析第54-63页
        3.4.1 数据集与深度学习框架第54-55页
        3.4.2 模型的训练第55-56页
        3.4.3 模型的准确性评价准则第56-57页
        3.4.4 结果分析第57-63页
    3.5 本章小结第63-64页
第4章 基于单目图像的光源三维重建方法第64-85页
    4.1 深度信息获取相关技术第64-66页
        4.1.1 增强现实系统中的深度恢复方法第64-65页
        4.1.2 基于单目图像的深度估计方法第65-66页
    4.2 基于多尺度神经网络的深度估计第66-71页
        4.2.1 多尺度神经网络结构第66-70页
        4.2.2 基于尺度无关的损失函数第70-71页
    4.3 基于深度信息的光源三维重建方法第71-78页
        4.3.1 相机标定算法第72-76页
        4.3.2 光源的三维重建算法第76-78页
    4.4 实验结果与分析第78-84页
        4.4.1 数据集第79页
        4.4.2 模型的训练第79-80页
        4.4.3 结果分析第80-84页
    4.5 本章小结第84-85页
第5章 具有光照一致性的AR系统实现第85-98页
    5.1 增强现实系统的设计第85-90页
        5.1.1 设计目标与技术框架第85-87页
        5.1.2 模块设计第87-90页
    5.2 实验结果与分析第90-95页
        5.2.1 光照估计实验第91-94页
        5.2.2 虚实渲染实验第94-95页
    5.3 增强现实系统的性能评测第95-97页
    5.4 本章小结第97-98页
第6章 结论与展望第98-100页
参考文献第100-108页
致谢第108-110页
作者简历及攻读学位期间发表的学术论文与研究成果第110页

论文共110页,点击 下载论文
上一篇:基于文本情感的微博舆情分析系统设计与实现
下一篇:面向现代教育合作学习的两阶段聚类算法研究与应用