### 计算摄影学——斯坦福大学课程精要 #### 一、课程概述 本课程由美国斯坦福大学提供，是关于计算摄影的最新讲座资料。计算摄影是一种结合了计算机科学与传统摄影技术的新领域，它利用算法和技术来增强图像质量、改善成像过程，并探索新的创意表达方式。该课程由斯坦福大学计算机科学系教授Marc Levoy讲授，旨在为学生介绍计算摄影的基础知识和技术。 #### 二、课程内容概览 根据提供的部分课程内容，我们可以总结出以下几个核心知识点： ##### 1. 摄像头像素处理流程 - **每台相机都使用不同的算法**：不同的相机制造商采用独特的处理技术和算法，这些技术可能会随着时间和型号的不同而变化。 - **处理顺序可能有所不同**：即使在相同类型的相机中，处理步骤的顺序也可能不同。 - **大多数技术都是专有的**：许多高级处理技术是由相机制造商持有专利的技术，对外界保密。 ##### 2. 传感器处理流程 - **去马赛克**（Demosaicing）：将原始图像中的单色像素转换成彩色像素。 - **色调映射与白平衡**（Tone Mapping & White Balancing）：调整图像的整体亮度和色彩平衡。 - **降噪与锐化**（Denoising & Sharpening）：减少图像噪声并增加细节清晰度。 - **压缩**：对图像进行压缩以便存储和传输。 - **模拟到数字转换**（Analog-to-Digital Conversion, ADC）：将传感器捕捉到的模拟信号转换为数字信号。 - **存储**：将处理后的数字信号保存到存储介质上。 ##### 3. 传感器技术 - **光电效应**：当光子撞击材料时，可能会发射出电子。这一过程取决于光的波长而非强度。 - **量子效率**：并不是所有的光子都能产生电子，这取决于设备的量子效率。例如，人眼的量子效率约为15%，而典型的数码相机则小于50%。 - **像素大小**：像素的电流非常小，通常在10-100fA之间，因此需要通过集成空间和时间来获取更多的电子。较大的像素和较长的曝光时间可以提高测量的准确性。 - **全阱容量**：过多的光子会导致饱和现象，较大的容量意味着更高的动态范围。 - **泛光**：当一个像素上的电荷溢出到邻近像素时会发生泛光现象，这种现象在CCD和CMOS传感器上都可能发生。 #### 三、技术细节 - **光电效应**：光子撞击材料表面后，可能会使材料释放出电子，这一过程称为光电效应。该过程仅依赖于光的波长而不是其强度。爱因斯坦曾提出，光子的能量可以通过公式\(E_{\text{photon}} = h \times \frac{c}{\lambda}\)来计算，其中\(h\)是普朗克常数，\(c\)是光速，\(\lambda\)是波长。 - **量子效率**：量子效率是指器件能够将光子转化为电子的概率。例如，人眼的量子效率大约为15%，而典型的数码相机的量子效率小于50%。最好的背照式CCD传感器的量子效率可超过90%。 - **像素大小**：较大的像素面积以及更长的曝光时间可以收集更多的电子，从而获得更准确的测量结果。例如，Casio EX-F1相机的像素尺寸为2.5微米×2.5微米（总面积6微米²），而Canon 5D II的像素尺寸为6.4微米×6.4微米（总面积41微米²）。 通过以上内容的学习，我们可以了解到计算摄影不仅仅是简单的图像捕捉，而是涉及到了复杂的传感器技术和先进的图像处理算法。掌握这些知识对于理解现代摄影技术和开发新的摄影应用具有重要意义。

动作类 斯坦福CS193U参考项目（20秋季）详细信息： 当前引擎版本：4.26 将分支“ Lecture29-FinishedProject”用于仅课程代码。 （主/主分支包括其他抛光和添加） 项目特色 第三人称动作角色动作 动作系统（精简游戏能力系统） 短跑能力（通过弹丸传送） 黑洞能力 魔法弹丸攻击 “刺”抛光效果（反映伤害） 燃烧损坏随时间变化的效果 AttributeComponent（保持健康状态等） SaveGame系统可持久保持角色和世界状态的进步。 大量使用事件来推动用户界面和游戏React。 C ++和Blueprint的混合以及如何有效地将它们组合在一起。 GameplayTags到加价演员，抛光轮，操作。 多人对所有功能的支持 游戏模式逻辑 EQS用于绑定bot / powerup生成位置。 Bot产生系统（机器人产生的成本点数，游戏模式随着时间的流逝而获得积分） DataTable包含机器人信息 保留敌人配置的DataAssets 资产管理器：异步加载数据资产 异步加载UI图标 人工智能 带有行为树的Minion AI（漫游，看见，追逐

CS231n-2017年Spring 这些是我对斯坦福大学的CS231n 2017年Spring课程的解决方案。 我完成了所有作业，以提高自己的Python技能以及对深度学习的理解。 已完成 作业1 作业2（PyTorch和Tensorflow） 作业3（PyTorch和Tensorflow） 未来的工作 额外的信用任务 问题 如果您有任何疑问，我们将很乐意为您解答，只需将其发布为问题，然后我会尽可能答复。

CS229 2018年秋季 斯坦福大学的课程的所有讲义，幻灯片和作业。 所有讲座的视频都可以 。

CS231 卷积神经网络(中文版,带书签), 整理 知乎:https://zhuanlan.zhihu.com/p/21930884， 部分小节自己翻译。