VIP20
本课程属于：049-AI　ISP混合架构开发 AI视觉与工业视觉 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

AI去马赛克与色彩重建

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
马赛克与色彩重建导论
什么是马赛克效应 · Bayer阵列原理 · 色彩重建（Demosaicing）的…
马赛克色彩重建导论
02
图像传感器与色彩滤波阵列（CFA）
CMOS vs CCD传感器 · CFA模式详解（Bayer · X-Trans
CFA图像传感器
03
传统去马赛克算法（上）
双线性插值 · 双三次插值 · 边缘导向插值
传统去马赛克算法双线性插值
04
传统去马赛克算法（下）
基于梯度的自适应插值 · 色差空间插值 · 频域分析方法
传统去马赛克算法基于梯度的自适应…
05
深度学习基础回顾
卷积神经网络（CNN）核心概念 · 残差学习（ResNet） · 注意力机制（Attention）
深度学习基础回顾CNN
06
数据驱动去马赛克
数据集构建（Kodak · McMaster · MIT-Mosaics）
数据驱动去马赛克Kodak
07
经典深度学习去马赛克模型（上）
DeepDemosaicking（D… · DemosaicNet · 残差密集网络（RDN）在去马赛克中的…
经典深度学习去马…DeepDemosaic…
08
经典深度学习去马赛克模型（下）
Deep Joint Demosai… · Unet架构在色彩重建中的变体 · 基于Transformer的模型
经典深度学习去马…Deep
09
色彩空间与色彩科学
RGB · XYZ · Lab
色彩空间色彩科学
10
色彩重建中的色彩校正
色彩校正矩阵（CCM） · 色调映射（Tone Mapping） · 伽马校正
色彩重建色彩校正
11
联合去马赛克与去噪
噪声模型与真实噪声模拟 · 联合优化策略 · CBDNet与相关工作
联合去马赛克去噪
12
联合去马赛克与超分辨率
超分辨率基础（SRCNN · ESPCN · EDSR）
联合去马赛克超分辨率
13
视频去马赛克
时序信息利用 · 光流与运动补偿 · 3D卷积与循环神经网络（RNN）在视…
视频去马赛克时序信息利用
14
RAW图像处理流程
RAW格式解析（DNG · CR2 · NEF）
RAW图像处理流程
15
移动端与嵌入式部署
模型轻量化（MobileNet · ShuffleNet · 知识蒸馏）
移动端嵌入式部署
16
基于生成模型的色彩重建
GAN在去马赛克中的应用（SRGAN · ESRGAN） · 扩散模型（Diffusion Mod…
基于生成模型的色…GAN
17
自监督与无监督去马赛克
自监督学习框架（Noise2Nois… · Self-Supervised De… · 盲点网络（Blind-Spot Ne…
自监督无监督去马赛克
18
频域分析与小波变换
离散傅里叶变换（DFT） · 离散小波变换（DWT） · 频域滤波在去马赛克中的应用
频域分析小波变换
19
注意力机制与Transformer
自注意力（Self-Attentio… · 多头注意力（Multi-Head A… · Swin Transformer
Transformer注意力机制
20
色彩重建中的损失函数设计
L1/L2损失 · 感知损失（Perceptual Lo… · 对抗损失
色彩重建损失函数设计
21
模型训练技巧与调优
学习率调度（Cosine Annea… · Warmup） · 梯度裁剪
模型训练技巧调优
22
评估与基准测试
标准测试集与排行榜 · 主观评估（MOS） · 客观评估指标详解
评估基准测试
23
真实世界去马赛克挑战
低光照环境 · 高ISO噪声 · 镜头像差
真实世界去马赛克…低光照环境
24
硬件加速与FPGA实现
FPGA基础 · 流水线设计 · 定点数运算
FPGA硬件加速
25
色彩重建中的可解释性
特征图可视化 · Grad-CAM · 注意力图可视化
色彩重建可解释性
26
前沿研究趋势（上）
NeRF与隐式神经表示在图像重建中的… · 神经渲染与色彩重建
前沿研究趋势NeRF
27
前沿研究趋势（下）
大模型（Foundation Mod… · 多模态学习与色彩重建
前沿研究趋势Foundation
28
综合项目实战（一）
搭建端到端去马赛克Pipeline · 数据准备与预处理 · 模型选择与训练
综合项目实战Pipeline
29
综合项目实战（二）
模型评估与调优 · 部署到ONNX/TensorRT · 生成演示Demo
综合项目实战模型评估
30
课程总结与未来展望
核心技术回顾 · 行业应用案例（手机摄影 · 医疗影像
课程总结未来展望