所属分类：视觉图像与光学光电 当前为单品课程，可返回上一级继续浏览同方向资料。
← 返回上一级
← 返回所属目录 咨询 / 购买

AI　ISP核心技术剖析：传统ISP与神经网络结合的混合架

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
什么是AI ISP？为什么需要混合架…
课程导论AI
02
传统ISP Pipeline全景
从RAW图到YUV/JPEG的完整流… · AE · AF
ISPPipeline
03
传感器与RAW图基础
Bayer阵列 · CFA模式 · 黑电平校正（BLC）
RAW传感器
04
自动白平衡（AWB）
灰度世界 · 完美反射 · 色温估计与AI增强方法
AWB自动白平衡
05
自动曝光（AE）与自动对焦（AF）
传统3A算法原理 · AI如何辅助决策
AEAF
06
去马赛克（Demosaic）
传统插值算法（双线性 · 边缘导向）与CNN-based De…
Demosaic去马赛克
07
去噪（Denoise）
空间域（NLM · BM3D） · 变换域（小波）与深度学习去噪（DnC…
Denoise去噪
08
超分辨率（SR）
传统插值（Bicubic）与基于GA…
SR超分辨率
09
色调映射（Tone Mapping）
全局/局部映射 · HDR合成 · AI驱动的色调重建
ToneMapping
10
色彩校正与增强
CCM矩阵 · Gamma校正 · HSV调整与AI色彩迁移
色彩校正增强
11
锐化（Sharpen）
USM · 拉普拉斯锐化与AI去模糊（Deblu…
Sharpen锐化
12
AI ISP的硬件加速
NPU · DSP · FPGA上的模型部署与量化
AIISP
13
混合架构设计（上）
前端传统ISP + 后端AI增强的串…
混合架构设计ISP
14
混合架构设计（中）
AI模块嵌入传统Pipeline的并…
混合架构设计AI
15
混合架构设计（下）
端到端（End-to-End）神经网…
混合架构设计End-to-End
16
数据准备与合成
RAW图数据集（Zurich RAW… · MIT Adobe FiveK） · 数据增强策略
数据准备合成
17
损失函数设计
L1/L2 Loss · 感知损失（Perceptual Lo… · GAN Loss
损失函数设计L1/L2
18
模型轻量化
知识蒸馏 · 通道剪枝 · 模型量化（PTQ/QAT）在ISP中…
模型轻量化知识蒸馏
19
评价指标（上）
传统指标（PSNR · SSIM · LPIPS）与无参考指标（BRISQ…
评价指标PSNR
20
评价指标（下）
主观评价（MOS） · 色彩保真度（Delta E） · 纹理保真度
评价指标MOS
21
案例实战（一）
基于UNet的RAW图去噪与Demo…
案例实战UNet
22
案例实战（二）
基于GAN的低光照图像增强（LLIE…
案例实战GAN
23
案例实战（三）
基于Transformer的端到端I…
案例实战Transformer
24
案例实战（四）
移动端AI ISP的落地实践（高通 · 联发科方案对比）
案例实战AI
25
调试与优化
模型过拟合 · 泛化能力 · 实时性平衡的工程经验
调试优化
26
AI ISP的挑战
幻觉（Hallucination） · 色彩偏移 · 时序一致性
AIISP
27
前沿趋势（上）
事件相机（Event Camera）…
前沿趋势Event
28
前沿趋势（下）
NeRF与3D场景重建对ISP的启发
前沿趋势NeRF
29
开源工具与框架
PyTorch ISP · OpenISP · BASLER ISP SDK介绍
开源工具框架
30
课程总结与展望
AI ISP的未来方向（语义ISP · 自适应ISP）
课程总结AI