1.掌握深度学习算法的原理和应用，剖析计算成像主流研究范围及关联的统一计算范式，能够运用深度学习技术对光学成像系统进行创新设计和优化。

2.掌握利用深度学习从成像设备优化设计、典型计算成像任务以及后端的计算机视觉任务的认知框架，并掌握对相应计算成像技术发展现状和任务执行能力。（分享课程涉及的所有数据集、代码）

3.通过顶刊论文复现带着学员手把手操作，让学员详细的学会顶刊写作思路。（分享课程涉及的所有数据集、代码）

4.通过多个案例的讲解，让学员能够熟练的做自己的科研项目。（分享课程涉及的所有数据集、代码）

第一天

第一章：光学成像基础

第一节：绪论

1.什么是光学成像？

2.光学成像进展

第二节：光学成像重要属性

1.物距、焦距、空间带宽乘积

2.分辨率、视场、景深

3.球差、慧差、场曲、畸变、色差、像差

4.点扩散函数、调制传递函数

第三节：成像质量评价指标

1.全参考评价

2.半参考评价

3.无参考评价

第四节：光学成像发展趋势

1.功能拓展 (相位、三维、非视距、穿云透雾、遥感)

2.性能改善（视场大小、分辨率、成像速度）

3.系统优化（小型化、廉价化、高效制造）

第二章：实操软件介绍及运行（实践）

第一节：Python环境的搭建

1.了解anaconda的安装

2.运行环境创建及激活

3.学习编译器spyder的使用

4.Shell脚本的使用

第二节：Python基本操作

1. 变量、数据类型、控制流

2. 函数、文件操作

第三节：深度学习环境实践

1.pytorch安装及验证

2.学习编译器spyder的使用

3.Shell脚本的使用

第四节：深度学习基础

1.了解神经网络的基本原理

2.了解反向传播和链式梯度计算

第五节：主流神经网络构型讲解

1.典型卷积网络讲解

2.Transformer网络结构

3.MLP网络结构

第六节：典型神经网络的搭建及训练（实操）

1.制备数据集

2.ResNet网络模型搭建

3.网络训练

第二天

第三章 高分辨成像技术及实践

第一节：超分辨率成像

1.基本概念及模型

2.典型方法介绍

3.高分辨成像技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第二节：图像去模糊

1.基本概念及模型

2.典型方法介绍

3.图像去模糊技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第三节：图像去雾

1.基本概念及模型

2.典型方法介绍

3.图像去雾技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第四节：低照度图像增强

1.基本概念及模型

2.典型方法介绍

3.低照度图像增强技术实践

3.1 案例讲解

3.2 数据集及网络搭建讲解

3.3 网络结果及评价

第三天

第四章 计算光学成像逆问题求解

第一节：压缩感知成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.压缩感知成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第二节：无透镜成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.无透镜成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第三节：非视距成像逆问题求解

1.基本概念及模型

2.典型方法介绍

3.非视距成像逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

第四节：单目深度估计逆问题求解

1.基本概念及模型

2.典型方法介绍

3.单目深度估计逆问题案例分析

3.1 相关论文分析

3.2 数据集及网络搭建

3.3 网络训练及结果评价

https://mp.weixin.qq.com/s/6__9DNnpU8tsHSy-Kx6Leg   点击此链接查看详情！