掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
計算攝像學:成像模型理論與深度學習實踐 版權信息
- ISBN：9787111748847
- 條形碼：9787111748847 ; 978-7-111-74884-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
計算攝像學:成像模型理論與深度學習實踐 本書特色
中國工程院院士、鵬城實驗室主任高文 北京智源人工智能研究院院長黃鐵軍 等聯合推薦，北京大學施柏鑫研究員作品，國內**本將將深度學習與計算攝像研究充分結合的專著。
計算攝像學:成像模型理論與深度學習實踐 內容簡介
本書以圖像的物理形成過程和相機獲取數字圖像的原理為支撐，介紹計算攝像學中的基本問題、模型、理論及其用傳統zui優化、信號處理方法的解決方案。結合各問題近些年隨著深度學習技術的發展帶來的全新進展，介紹深度學習和計算攝像問題的結合與應用。深度學習作為目前視覺計算領域zui熱門的技術之一，在高層計算機視覺的目標檢測、識別、分類等問題上帶來了傳統方法無法企及的性能突破。深度學習技術在計算攝像學中也正在發揮廣泛而積極的作用。通過適當的方法，將傳統計算攝像學在光學特性、物理過程和成像模型等方面的先驗、約束與數據驅動方法強大的學習、建模能力進行優勢互補，可以為眾多計算攝像難題的求解提供全新的思路和手段。
計算攝像學:成像模型理論與深度學習實踐 目錄
目錄
前 言
第 1 章 計算攝像學概述 /1
1.1 計算攝像學研究范疇 /1
1.1.1 研究背景 /1
1.1.2 研究內容 /3
1.2 計算攝像學相關課程 /6
1.3 計算攝像學相關教材 /9
本章參考文獻 /10 第 2 章 數字攝像原理 /11
2.1 圖像傳感器的基本原理 /11
2.2 色彩形成的基本原理 /14
2.3 相機內部圖像處理流程 /17
2.3.1 白平衡 /19
2.3.2 去馬賽克 /23
2.3.3 去噪 /24
2.3.4 色調再現 /25
2.3.5 傳感器原始圖像格式 /27
2.4 深度學習建模相機內部流程 /29
2.4.1 應用于圖像增強 /29
2.4.2 應用于圖像處理流程建模 /32
2.5 本章小結 /35
2.6 本章課程實踐 /36
本章參考文獻 /38 第 3 章 相機幾何模型 /40
3.1 針孔相機模型 /40
3.2 透視投影與相機矩陣 /44
3.2.1 相機內參矩陣 /44
3.2.2 相機外參矩陣 /46
3.2.3 透視投影現象與應用 /47
3.2.4 特殊相機模型 /49
3.3 相機幾何標定 /50
3.3.1 三維對應點標定法 /51
3.3.2 多圖棋盤格標定法 /54
3.3.3 徑向畸變標定法 /56
3.4 利用深度學習的相機幾何標定 /57
3.4.1 直接回歸相機焦距法 /57
3.4.2 地平線輔助標定法 /57
3.4.3 垂直消失點輔助標定法 /59
3.4.4 徑向畸變下的標定問題 /61
3.4.5 利用特殊場景進行標定 /62
3.5 本章小結 /62
3.6 本章課程實踐 /63
本章參考文獻 /65 第 4 章 鏡頭與曝光 /67
4.1 理想透鏡與真實透鏡 /67
4.2 光圈與景深 /70 4.3 視場與鏡頭選用 /74
4.4 曝光控制 /77
4.5 虛擬大光圈攝像 /79
4.5.1 虛擬大光圈效果渲染方法 /81
4.5.2 利用深度學習的實現方法 /83
4.6 無鏡頭成像 /87
4.6.1 相機構造 /88
4.6.2 圖像重建算法 /93
4.7 本章小結 /95
4.8 本章課程實踐 /96
本章參考文獻 /97
第 5 章 焦點堆棧與光場攝像 /100
5.1 焦點堆棧 /100
5.1.1 基本概念 /100
5.1.2 拍攝與合并 /101
5.1.3 對焦與離焦的深度測量 /103
5.2 光場 /105
5.2.1 基本概念 /105
5.2.2 表示方法 /106
5.2.3 拍攝方法 /109
5.2.4 可視化與應用 /112
5.3 自動對焦 /117
5.3.1 主動對焦 /117
5.3.2 反差對焦 /118
5.3.3 相位對焦 /118
5.4 利用深度學習表示光場 /119
5.4.1 經典光場表示 /119
5.4.2 基于神經輻射場的方法 /122
5.5 本章小結 /123
5.6 本章課程實踐 /124
本章參考文獻 /128 第 6 章 光度成像模型 /130
6.1 相機輻射響應及其標定 /130
6.1.1 相機響應函數 /131
6.1.2 相機輻射響應標定 /132
6.2 光度成像模型的三個基本要素 /138
6.2.1 表面法線 /139
6.2.2 反射率模型 /139
6.2.3 光源模型 /141
6.3 從明暗恢復形狀 /142
6.4 利用深度學習估計環境光照 /147
6.4.1 參數化模型估計室外光照/147
6.4.2 自編碼器估計室外光照 /150
6.4.3 非參數化全局一致室內光照 /151
6.4.4 參數化的局部可變室內光照 /152
6.5 本章小結 /154
6.6 本章課程實踐 /154
本章參考文獻 /157 第 7 章 光度立體視覺 /160
7.1 經典方法 /161
7.1.1 相關基本概念 /161
7.1.2 基于*小二乘法優化的解法 /163
7.2 泛化方法 /165
7.2.1 應對非理想的反射率 /166
7.2.2 應對非標定情況的解法 /170
7.2.3 基準評測數據集 /173
7.3 光度立體視覺的深度學習解法 /179
7.3.1 光源方向固定的方法 /179 7.3.2 應對任意方向光源的方法/180
7.3.3 應對光源方向未標定的方法 /182
7.3.4 應對光源方向稀疏的方法/183
7.3.5 利用其他約束的方法 /185
7.4 本章小結 /186
7.5 本章課程實踐 /187
本章參考文獻 /189 第 8 章 高動態范圍成像 /193
8.1 動態范圍的定義 /193
8.2 多次曝光融合的經典方法 /196
8.3 高動態范圍圖像的存儲 /199
8.4 高動態范圍顯示與色調映射 /201
8.4.1 色調映射方法 /201
8.4.2 關于色調映射的一些討論/206
8.5 利用深度學習擴展動態范圍 /207
8.5.1 單張圖像逆向色調映射 /207
8.5.2 多圖交替曝光的方法 /212
8.6 用非傳統傳感器擴展動態范圍 /213
8.6.1 基于余數相機的方法 /214
8.6.2 融合神經形態相機的方法/218
8.7 本章小結 /220
8.8 本章課程實踐 /220
本章參考文獻 /222 第 9 章 超分辨率 /225
9.1 基于子像素位移的多幀方法 /226
9.1.1 圖像退化模型 /226
9.1.2 優化求解高分辨率圖像 /228
9.2 通過改進傳感器構造的方法 /233
9.2.1 利用相機抖動 /233
9.2.2 利用非周期重復像素布局/235
9.2.3 利用非對稱子像素分布 /237
9.3 基于信號處理的單幀方法 /240
9.3.1 基于圖像塊重復性的方法/241
9.3.2 基于梯度銳化變換的方法/243
9.4 利用深度學習的方法 /245
9.4.1 基于卷積神經網絡的方法/245
9.4.2 基于生成對抗網絡的方法/247
9.4.3 基于無監督學習的方法 /248
9.5 本章小結 /249
9.6 本章課程實踐 /250
本章參考文獻 /251 第 10 章 去模糊 /254
10.1 基于傳統攝像的方法 /254
10.1.1 應對鏡頭缺陷帶來的模糊 /254
10.1.2 應對相機抖動帶來的模糊 /259
10.2 基于計算攝像的方法 /261
10.2.1 應對景深限制帶來的模糊 /261
10.2.2 應對場景運動帶來的模糊 /267
10.3 基于深度學習的去模糊 /270
10.3.1 卷積核估計 /271
10.3.2 端到端生成 /272
10.3.3 生成對抗模型 /274
10.3.4 圖像去模糊數據集 /276
10.4 本章小結 /277
10.5 本章課程實踐 /278
本章參考文獻 /279
第 11 章 圖像恢復高級專題 I /282
11.1 本征圖像分解概述 /283
11.1.1 圖像形成模型 /284
11.1.2 代表性應用 /285
11.1.3 問題的不適定性 /286
11.1.4 基準數據集 /287
11.2 Retinex 分解 /292
11.3 基于優化求解的本征圖像分解 /297
11.4 基于深度學習的本征圖像分解 /302
11.4.1 不同學習范式下的方法 /302
11.4.2 在逆渲染方面的應用 /312
11.5 本章小結 /318
11.6 本章課程實踐 /319
本章參考文獻 /321 第 12 章 圖像恢復高級專題 II /326
12.1 反射消除問題概述 /327
12.1.1 混合圖像模型 /327
12.1.2 反射消除的應用 /329
12.2 經典優化求解的方法 /331
12.2.1 手動分類邊緣的方法 /331
12.2.2 自動分類邊緣的反射消除 /334
12.2.3 利用多圖分類邊緣的方法 /337
12.3 反射消除基準評測數據集 /339
12.3.1 算法總結歸類 /340
12.3.2 數據集的構成 /341
12.3.3 基準評測結果 /344
12.4 基于深度學習的反射消除方法 /345
12.4.1 單張圖像問題求解 /345
12.4.2 多張圖像問題求解 /352
12.5 本章小結 /359
12.6 本章課程實踐 /360
本章參考文獻 /362 第 13 章 圖像恢復高級專題 III /367
13.1 神經形態視覺傳感器簡介 /367
13.1.1 概念與發展 /367
13.1.2 主流傳感器介紹 /370
13.2 神經形態視覺信號表達 /375
13.3 神經形態視覺信號處理 /380
13.3.1 圖像重構 /380
13.3.2 神經形態視覺的運動分析 /386
13.4 融合傳統相機的計算攝像 /397
13.4.1 融合成像系統簡介 /397
13.4.2 傳統相機增強神經形態成像 /399
13.4.3 神經形態相機增強傳統成像 /404
13.5 本章小結 /409
13.6 本章課程實踐 /409
本章參考文獻 /410 跋 /417
第 1 章 計算攝像學概述 /1
1.1 計算攝像學研究范疇 /1
1.1.1 研究背景 /1
1.1.2 研究內容 /3
1.2 計算攝像學相關課程 /6
1.3 計算攝像學相關教材 /9
本章參考文獻 /10 第 2 章 數字攝像原理 /11
2.1 圖像傳感器的基本原理 /11
2.2 色彩形成的基本原理 /14
2.3 相機內部圖像處理流程 /17
2.3.1 白平衡 /19
2.3.2 去馬賽克 /23
2.3.3 去噪 /24
2.3.4 色調再現 /25
2.3.5 傳感器原始圖像格式 /27
2.4 深度學習建模相機內部流程 /29
2.4.1 應用于圖像增強 /29
2.4.2 應用于圖像處理流程建模 /32
2.5 本章小結 /35
2.6 本章課程實踐 /36
本章參考文獻 /38 第 3 章 相機幾何模型 /40
3.1 針孔相機模型 /40
3.2 透視投影與相機矩陣 /44
3.2.1 相機內參矩陣 /44
3.2.2 相機外參矩陣 /46
3.2.3 透視投影現象與應用 /47
3.2.4 特殊相機模型 /49
3.3 相機幾何標定 /50
3.3.1 三維對應點標定法 /51
3.3.2 多圖棋盤格標定法 /54
3.3.3 徑向畸變標定法 /56
3.4 利用深度學習的相機幾何標定 /57
3.4.1 直接回歸相機焦距法 /57
3.4.2 地平線輔助標定法 /57
3.4.3 垂直消失點輔助標定法 /59
3.4.4 徑向畸變下的標定問題 /61
3.4.5 利用特殊場景進行標定 /62
3.5 本章小結 /62
3.6 本章課程實踐 /63
本章參考文獻 /65 第 4 章 鏡頭與曝光 /67
4.1 理想透鏡與真實透鏡 /67
4.2 光圈與景深 /70 4.3 視場與鏡頭選用 /74
4.4 曝光控制 /77
4.5 虛擬大光圈攝像 /79
4.5.1 虛擬大光圈效果渲染方法 /81
4.5.2 利用深度學習的實現方法 /83
4.6 無鏡頭成像 /87
4.6.1 相機構造 /88
4.6.2 圖像重建算法 /93
4.7 本章小結 /95
4.8 本章課程實踐 /96
本章參考文獻 /97
第 5 章 焦點堆棧與光場攝像 /100
5.1 焦點堆棧 /100
5.1.1 基本概念 /100
5.1.2 拍攝與合并 /101
5.1.3 對焦與離焦的深度測量 /103
5.2 光場 /105
5.2.1 基本概念 /105
5.2.2 表示方法 /106
5.2.3 拍攝方法 /109
5.2.4 可視化與應用 /112
5.3 自動對焦 /117
5.3.1 主動對焦 /117
5.3.2 反差對焦 /118
5.3.3 相位對焦 /118
5.4 利用深度學習表示光場 /119
5.4.1 經典光場表示 /119
5.4.2 基于神經輻射場的方法 /122
5.5 本章小結 /123
5.6 本章課程實踐 /124
本章參考文獻 /128 第 6 章 光度成像模型 /130
6.1 相機輻射響應及其標定 /130
6.1.1 相機響應函數 /131
6.1.2 相機輻射響應標定 /132
6.2 光度成像模型的三個基本要素 /138
6.2.1 表面法線 /139
6.2.2 反射率模型 /139
6.2.3 光源模型 /141
6.3 從明暗恢復形狀 /142
6.4 利用深度學習估計環境光照 /147
6.4.1 參數化模型估計室外光照/147
6.4.2 自編碼器估計室外光照 /150
6.4.3 非參數化全局一致室內光照 /151
6.4.4 參數化的局部可變室內光照 /152
6.5 本章小結 /154
6.6 本章課程實踐 /154
本章參考文獻 /157 第 7 章 光度立體視覺 /160
7.1 經典方法 /161
7.1.1 相關基本概念 /161
7.1.2 基于*小二乘法優化的解法 /163
7.2 泛化方法 /165
7.2.1 應對非理想的反射率 /166
7.2.2 應對非標定情況的解法 /170
7.2.3 基準評測數據集 /173
7.3 光度立體視覺的深度學習解法 /179
7.3.1 光源方向固定的方法 /179 7.3.2 應對任意方向光源的方法/180
7.3.3 應對光源方向未標定的方法 /182
7.3.4 應對光源方向稀疏的方法/183
7.3.5 利用其他約束的方法 /185
7.4 本章小結 /186
7.5 本章課程實踐 /187
本章參考文獻 /189 第 8 章 高動態范圍成像 /193
8.1 動態范圍的定義 /193
8.2 多次曝光融合的經典方法 /196
8.3 高動態范圍圖像的存儲 /199
8.4 高動態范圍顯示與色調映射 /201
8.4.1 色調映射方法 /201
8.4.2 關于色調映射的一些討論/206
8.5 利用深度學習擴展動態范圍 /207
8.5.1 單張圖像逆向色調映射 /207
8.5.2 多圖交替曝光的方法 /212
8.6 用非傳統傳感器擴展動態范圍 /213
8.6.1 基于余數相機的方法 /214
8.6.2 融合神經形態相機的方法/218
8.7 本章小結 /220
8.8 本章課程實踐 /220
本章參考文獻 /222 第 9 章 超分辨率 /225
9.1 基于子像素位移的多幀方法 /226
9.1.1 圖像退化模型 /226
9.1.2 優化求解高分辨率圖像 /228
9.2 通過改進傳感器構造的方法 /233
9.2.1 利用相機抖動 /233
9.2.2 利用非周期重復像素布局/235
9.2.3 利用非對稱子像素分布 /237
9.3 基于信號處理的單幀方法 /240
9.3.1 基于圖像塊重復性的方法/241
9.3.2 基于梯度銳化變換的方法/243
9.4 利用深度學習的方法 /245
9.4.1 基于卷積神經網絡的方法/245
9.4.2 基于生成對抗網絡的方法/247
9.4.3 基于無監督學習的方法 /248
9.5 本章小結 /249
9.6 本章課程實踐 /250
本章參考文獻 /251 第 10 章 去模糊 /254
10.1 基于傳統攝像的方法 /254
10.1.1 應對鏡頭缺陷帶來的模糊 /254
10.1.2 應對相機抖動帶來的模糊 /259
10.2 基于計算攝像的方法 /261
10.2.1 應對景深限制帶來的模糊 /261
10.2.2 應對場景運動帶來的模糊 /267
10.3 基于深度學習的去模糊 /270
10.3.1 卷積核估計 /271
10.3.2 端到端生成 /272
10.3.3 生成對抗模型 /274
10.3.4 圖像去模糊數據集 /276
10.4 本章小結 /277
10.5 本章課程實踐 /278
本章參考文獻 /279
第 11 章 圖像恢復高級專題 I /282
11.1 本征圖像分解概述 /283
11.1.1 圖像形成模型 /284
11.1.2 代表性應用 /285
11.1.3 問題的不適定性 /286
11.1.4 基準數據集 /287
11.2 Retinex 分解 /292
11.3 基于優化求解的本征圖像分解 /297
11.4 基于深度學習的本征圖像分解 /302
11.4.1 不同學習范式下的方法 /302
11.4.2 在逆渲染方面的應用 /312
11.5 本章小結 /318
11.6 本章課程實踐 /319
本章參考文獻 /321 第 12 章 圖像恢復高級專題 II /326
12.1 反射消除問題概述 /327
12.1.1 混合圖像模型 /327
12.1.2 反射消除的應用 /329
12.2 經典優化求解的方法 /331
12.2.1 手動分類邊緣的方法 /331
12.2.2 自動分類邊緣的反射消除 /334
12.2.3 利用多圖分類邊緣的方法 /337
12.3 反射消除基準評測數據集 /339
12.3.1 算法總結歸類 /340
12.3.2 數據集的構成 /341
12.3.3 基準評測結果 /344
12.4 基于深度學習的反射消除方法 /345
12.4.1 單張圖像問題求解 /345
12.4.2 多張圖像問題求解 /352
12.5 本章小結 /359
12.6 本章課程實踐 /360
本章參考文獻 /362 第 13 章 圖像恢復高級專題 III /367
13.1 神經形態視覺傳感器簡介 /367
13.1.1 概念與發展 /367
13.1.2 主流傳感器介紹 /370
13.2 神經形態視覺信號表達 /375
13.3 神經形態視覺信號處理 /380
13.3.1 圖像重構 /380
13.3.2 神經形態視覺的運動分析 /386
13.4 融合傳統相機的計算攝像 /397
13.4.1 融合成像系統簡介 /397
13.4.2 傳統相機增強神經形態成像 /399
13.4.3 神經形態相機增強傳統成像 /404
13.5 本章小結 /409
13.6 本章課程實踐 /409
本章參考文獻 /410 跋 /417
展開全部
計算攝像學:成像模型理論與深度學習實踐 作者簡介
施柏鑫，日本東京大學博士，曾先后在麻省理工學院媒體實驗室、新加坡科技設計大學、新加坡南洋理工大學從事博士后研究，現為北京大學人工智能研究院院長助理，北京大學計算機學院數字媒體研究所研究員、博士生導師（“博雅青年學者”），北京智源人工智能研究院青年科學家；從事計算攝像學與計算機視覺研究，發表論文120余篇（包括TPAMI論文12篇，計算機視覺三大頂級會議論文45篇）。論文獲評國際計算攝像會議（ICCP）2015年Best Paper Runner-Up、入選IJCV專刊Best Papers from ICCV 2015，2021年獲得日本大川研究助成獎。主持科技創新2030—“新一代人工智能”重大項目、國家自然科學基金重點、國家級青年人才等多個項目。擔任International Journal of Computer Vision（IJCV）等期刊編委，CVPR、ICCV等國際會議領域主席。IEEE高級會員。
書友推薦
- >
月亮虎
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
史學評論
- >
二體千字文
- >
羅曼·羅蘭讀書隨筆-精裝
- >
有舍有得是人生
- >
上帝之肋:男人的真實旅程
- >
苦雨齋序跋文-周作人自編集
本類暢銷
