Holiday
DELTA台達211 W4F3F4
介紹如何透過計算來增強拍照的影像品質,並實際藉由程式實現來驗證可行性。除了讓學生了解最先進的影像處理演算法 外,亦透過Python學習如何使用最新的影像處理函式庫,如影像最佳化的ProxImaL,以及卷積神經網路框架PyTorch。
Course keywords: 計算攝影學, 相機成像, 影像最佳化, 卷積神經網路, 光場 一、課程說明(Course Description) [Updated on Dec 27, 2023] EE6620 Computational Photography (計算攝影學) **修課條件: 必須修過線性代數、機率、計算機程式設計;修過數位訊號處理概論以及會寫Python為 佳 Class Hours: W4F3F4 Lecture Room: 台達211教室 Instructor: 黃朝宗 TA: 丁友鈞、吳瞳、蔡惠芸 Course objectives: 介紹如何透過計算來增強拍照的影像品質,並實際藉由程式實現來驗證可行性。 除了讓學生了解最先 進的影像處理演算法外,亦透過Python學習如何使用最新的影像處理函式庫,如影像最佳化的 ProxImaL,以及卷積神經網路框架PyTorch。 二、指定用書(Text Books) 上課以投影片為主 三、參考書籍(References) 1. Richard Szeliski, Computer Vision: Algorithms and Applications, Springer 2010. 2. Selected papers [references will be given in lecture notes]. 四、教學方式(Teaching Method) 本課程將依序分為四個單元:相機成像、以最佳化為基底之影像處理、以卷積神經網路為基底之影像處 理、以及其它特選主題。除了講堂上以投影片授課以外,有三次Python程式作業(對應前三單元),與 期末專題,以透過解決實際影像問題來體驗計算攝影學的威力。 五、教學進度(Syllabus) Part I –相機成像: 四週 Part II –以最佳化為基底之影像處理: 四週 Part III –以卷積神經網路為基底之影像處理: 五週 Part IV –其它主題(Diffusion Model): 三週 Final Project/Final Presentation (Jun 21, 2024) 六、成績考核(Evaluation) Homework (60%) Term Project (40%) 七、可連結之網頁位址 eeclass 八、生成式AI 使用規則 有條件開放,請註明如何使用生成式AI於課程產出
MON | TUE | WED | THU | FRI | |
08:00108:50 | |||||
09:00209:50 | |||||
10:10311:00 | |||||
11:10412:00 | |||||
12:10n13:00 | |||||
13:20514:10 | |||||
14:20615:10 | |||||
15:30716:20 | |||||
16:30817:20 | |||||
17:30918:20 | |||||
18:30a19:20 | |||||
19:30b20:20 | |||||
20:30c21:20 |
Average Percentage 81.63
Std. Deviation 7.13
-
-
-
-