| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 本文主要工作和贡献 | 第12-14页 |
| 1.3 文章组织结构 | 第14-16页 |
| 第2章 单目深度以及网络研究的相关工作 | 第16-25页 |
| 2.1 像素级的深度学习任务相关研究 | 第16-18页 |
| 2.1.1 特征融合式结构 | 第16-17页 |
| 2.1.2 编码解码式结构 | 第17-18页 |
| 2.2 单目深度恢复相关研究 | 第18-22页 |
| 2.2.1 网络结构相关研究 | 第19-20页 |
| 2.2.2 损失函数的相关研究 | 第20-21页 |
| 2.2.3 后处理的相关研究 | 第21页 |
| 2.2.4 法向估计 | 第21-22页 |
| 2.3 CNN网络中的解耦化学习相关研究 | 第22-23页 |
| 2.4 残差学习相关研究 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 解耦化的单目深度估计框架详细介绍 | 第25-37页 |
| 3.1 单目深度估计的本质 | 第25-26页 |
| 3.2 场景结构与尺度定义 | 第26-28页 |
| 3.2.1 场景结构的定义 | 第26-27页 |
| 3.2.2 场景尺度定义 | 第27-28页 |
| 3.3 DCNet概览 | 第28-31页 |
| 3.3.1 整体结构 | 第30页 |
| 3.3.2 损失函数 | 第30-31页 |
| 3.4 特征生成网络 | 第31-32页 |
| 3.4.1 特征生成策略 | 第31页 |
| 3.4.2 底层基本网络 | 第31-32页 |
| 3.5 尺度解耦模块 | 第32-33页 |
| 3.6 基于梯度的优化模块 | 第33-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 有效性验证和实验分析与比较 | 第37-54页 |
| 4.1 实验准备与设置 | 第37-40页 |
| 4.1.1 实验数据 | 第37-39页 |
| 4.1.2 实验细节 | 第39-40页 |
| 4.1.3 量化评价标准 | 第40页 |
| 4.2 尺度解耦模块和基于梯度优化模块有效性验证对比 | 第40-48页 |
| 4.2.1 基础模型—残差调节重要性 | 第40-41页 |
| 4.2.2 尺度解耦模块的有效性 | 第41-45页 |
| 4.2.3 基于梯度的优化模块的有效性 | 第45-48页 |
| 4.3 本文结果和前沿方案对比 | 第48-51页 |
| 4.3.1 在NYU Depth V2结果对比 | 第48页 |
| 4.3.2 在Make3D结果对比 | 第48-51页 |
| 4.3.3 三维重建网格结果对比 | 第51页 |
| 4.4 本章小结 | 第51-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |