基于深度学习的单目图像立体视觉合成技术
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究现状 | 第12-20页 |
| 1.2.1 图像深度的获取 | 第12-16页 |
| 1.2.2 立体视觉的合成 | 第16-20页 |
| 1.3 本文工作 | 第20页 |
| 1.4 篇章结构 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 生成网络与对抗学习 | 第22-42页 |
| 2.1 对抗学习方法 | 第22-25页 |
| 2.2 网络结构层次 | 第25-31页 |
| 2.2.1 全连接层 | 第26页 |
| 2.2.2 卷积层 | 第26-28页 |
| 2.2.3 池化层 | 第28-29页 |
| 2.2.4 激活函数 | 第29-30页 |
| 2.2.5 损失函数 | 第30页 |
| 2.2.6 反向传播更新参数 | 第30-31页 |
| 2.3 生成网络 | 第31-36页 |
| 2.3.1 生成网络总体架构 | 第32-33页 |
| 2.3.2 常见的生成网络 | 第33-36页 |
| 2.4 判别网络 | 第36-41页 |
| 2.4.1 判别网络的网络结构 | 第36-39页 |
| 2.4.2 判别网络的损失函数 | 第39-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 基于ResNet的深度估计 | 第42-48页 |
| 3.1 深度估计问题描述 | 第42-43页 |
| 3.2 基于ResNet的模型结构 | 第43-44页 |
| 3.3 估计模型层次分析 | 第44-46页 |
| 3.4 深度估计损失函数 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于对抗学习的立体视觉合成 | 第48-55页 |
| 4.1 立体视觉合成问题描述 | 第48-50页 |
| 4.2 基于视差的图像预处理 | 第50-51页 |
| 4.3 图像修复模型结构 | 第51-52页 |
| 4.4 图像修复网络层次分析 | 第52-53页 |
| 4.5 图像修复损失函数 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 结果与分析 | 第55-70页 |
| 5.1 深度估计实验结果 | 第55-60页 |
| 5.1.1 室内场景测试结果 | 第55-58页 |
| 5.1.2 室外场景测试结果 | 第58-60页 |
| 5.2 图像修复实验结果 | 第60-66页 |
| 5.2.1 室内场景测试结果 | 第60-64页 |
| 5.2.2 室外场景测试结果 | 第64-66页 |
| 5.3 立体视觉合成实验结果 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-73页 |
| 6.1 本文工作总结 | 第70-71页 |
| 6.2 算法局限与未来展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间主要的研究成果 | 第77-78页 |
| 致谢 | 第78页 |
