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 |