| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于线索的深度恢复 | 第11-12页 |
| 1.2.2 半自动的交互式深度生成 | 第12页 |
| 1.2.3 基于卷积神经网络的深度恢复 | 第12-13页 |
| 1.3 本文的组织结构和主要创新点 | 第13-15页 |
| 第2章 基于卷积神经网络的深度恢复概述 | 第15-18页 |
| 2.1 本文直接相关的算法概述 | 第15-16页 |
| 2.2 现有基于CNN的深度恢复算法存在的问题 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 基于ResNet和CRF单张图像的深度恢复 | 第18-28页 |
| 3.1 卷积神经网络结构 | 第19-21页 |
| 3.2 能量函数 | 第21-22页 |
| 3.3 网络具体架构 | 第22-23页 |
| 3.4 网络训练细节 | 第23页 |
| 3.5 实验结果 | 第23-26页 |
| 3.6 本章小结 | 第26-28页 |
| 第4章 基于人机交互的深度恢复系统 | 第28-38页 |
| 4.1 基础深度卷积神经场 | 第30-32页 |
| 4.2 误差分析 | 第32-33页 |
| 4.3 人机交互系统 | 第33-36页 |
| 4.4 实验结果 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第5章 基于对抗生成网络单张图像深度恢复 | 第38-47页 |
| 5.1 对抗生成网络概述 | 第39-40页 |
| 5.2 网络总体架构 | 第40-42页 |
| 5.3 损失函数 | 第42页 |
| 5.4 训练方法 | 第42-43页 |
| 5.5 实验细节 | 第43页 |
| 5.6 实验结果 | 第43-46页 |
| 5.7 本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| 6.1 本文的工作总结 | 第47页 |
| 6.2 未来工作展望 | 第47-49页 |
| 参考文献 | 第49-55页 |
| 附录1 攻读硕士期间参加的科研项目 | 第55-56页 |
| 致谢 | 第56-57页 |