| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题来源 | 第13页 |
| 1.2 课题研究的目的和意义 | 第13页 |
| 1.3 国内外研究概况 | 第13-17页 |
| 1.4 论文的主要研究内容 | 第17-19页 |
| 1.4.1 快速深度图估计 | 第17-18页 |
| 1.4.2 深度图序列时域一致性增强 | 第18页 |
| 1.4.3 显式深度图边界和纹理图边界不一致性评估 | 第18页 |
| 1.4.4 改进基于预定义模型的深度图增强算法 | 第18-19页 |
| 1.4.5 基于深度学习的深度图增强算法 | 第19页 |
| 1.5 论文的主要贡献 | 第19-20页 |
| 1.6 论文结构 | 第20-21页 |
| 第二章 深度图获取中的关键技术概述 | 第21-40页 |
| 2.1 引言 | 第21页 |
| 2.2 基于立体匹配的深度图估计概述 | 第21-26页 |
| 2.2.1 基本概念 | 第21-22页 |
| 2.2.2 匹配约束 | 第22-23页 |
| 2.2.3 基本流程 | 第23-25页 |
| 2.2.4 精细化 | 第25-26页 |
| 2.3 深度图主动获取概述 | 第26-28页 |
| 2.3.1 退化模型 | 第27页 |
| 2.3.2 相关工作 | 第27-28页 |
| 2.4 局部优化方法和滤波器 | 第28-31页 |
| 2.3.3 基于L2范数优化滤波器 | 第28-30页 |
| 2.3.4 基于L1范数优化滤波器 | 第30-31页 |
| 2.5 全局优化方法和图模型 | 第31-35页 |
| 2.3.1 与贝叶斯推断的关系 | 第31-32页 |
| 2.3.2 用于深度图估计和深度图增强的贝叶斯推断 | 第32页 |
| 2.3.3 基于图割的离散优化 | 第32-35页 |
| 2.6 基于机器学习的深度图超分辨率 | 第35-39页 |
| 2.6.1 稀疏编码 | 第35-38页 |
| 2.6.2 卷积神经网络 | 第38-39页 |
| 2.7 本章小结 | 第39-40页 |
| 第三章 快速深度序列估计及其时域一致性增强 | 第40-60页 |
| 3.1 引言 | 第40-41页 |
| 3.1.1 相关工作 | 第40页 |
| 3.1.2 本章研究动机 | 第40-41页 |
| 3.2 快速深度估计 | 第41-52页 |
| 3.2.1 仿射不变特征 | 第41-44页 |
| 3.2.2 初始深度图估计 | 第44-47页 |
| 3.2.3 深度图优化 | 第47-48页 |
| 3.2.4 实验结果 | 第48-52页 |
| 3.2.5 结论 | 第52页 |
| 3.3 被动式获取的深度序列时域一致性增强 | 第52-59页 |
| 3.3.1 动机 | 第52-53页 |
| 3.3.2 时域一致性增强方法 | 第53-55页 |
| 3.3.3 实验结果 | 第55-58页 |
| 3.3.4 结论 | 第58-59页 |
| 3.4 本章小结 | 第59-60页 |
| 第四章 基于引导的马尔科夫随机场的RGB-D数据中深度图增强 | 第60-104页 |
| 4.1 引言 | 第60-61页 |
| 4.2 引导性深度增强的挑战 | 第61-62页 |
| 4.3 基于嵌入硬判决边界不一致性评估的引导性深度图上采样 | 第62-67页 |
| 4.3.1 马尔科夫随机场能量函数构建 | 第63-66页 |
| 4.3.2 实验结果 | 第66页 |
| 4.3.3 结论 | 第66-67页 |
| 4.4 基于嵌入软判决边界不一致性评估的引导性深度图增强 | 第67-86页 |
| 4.4.1 改进马尔科夫随机场能量函数 | 第67页 |
| 4.4.2 软判决的边界不一致性度量 | 第67-74页 |
| 4.4.3 嵌入边界不一致测量的马尔科夫随机场 | 第74-75页 |
| 4.4.4 算法复杂度分析 | 第75-76页 |
| 4.4.5 实验结果 | 第76-86页 |
| 4.4.6 结论 | 第86页 |
| 4.5 基于嵌入软判决边界不一致性评估的最小生成森林引导性深度图增强 | 第86-103页 |
| 4.5.1 马尔科夫随机场能量函数的修改 | 第87页 |
| 4.5.2 提出的算法 | 第87-93页 |
| 4.5.3 实验结果 | 第93-103页 |
| 4.5.4 结论 | 第103页 |
| 4.6 本章小结 | 第103-104页 |
| 第五章 基于深度学习的引导性深度图超分辨率重建 | 第104-113页 |
| 5.1 引言 | 第104-106页 |
| 5.2 提出的深度卷积神经网络 | 第106-108页 |
| 5.3 实验结果 | 第108-112页 |
| 5.3.1 训练数据生成 | 第108页 |
| 5.3.2 模型训练 | 第108-109页 |
| 5.3.3 实验结果 | 第109-112页 |
| 5.4 本章小结 | 第112-113页 |
| 第六章 结论与展望 | 第113-115页 |
| 6.1 结论 | 第113-114页 |
| 6.2 展望 | 第114-115页 |
| 参考文献 | 第115-121页 |
| 作者在攻读博士学位期间公开发表的论文 | 第121-122页 |
| 作者在攻读博士学位期间参与研究的项目 | 第122-123页 |
| 致谢 | 第123页 |
