Computer Vision Video Lectures
1.0.0
精選的免費、高品質、大學程度的課程列表，其中包含與電腦視覺領域相關的視訊講座。
信號與系統 6.003（麻省理工學院），Dennis Freeman 教授
[課程]
訊號與系統6.003 涵蓋了訊號和系統分析的基礎知識，重點關注離散時間和連續時間訊號的表示（奇異函數、複指數和幾何、傅立葉表示、拉普拉斯和Z 變換、取樣）以及線性、時間的表示-不變系統（差分和微分方程、框圖、系統函數、極點和零點、卷積、脈衝和階躍響應、頻率響應）。應用廣泛來自工程和物理學，包括回饋和控制、通訊和訊號處理。
數位訊號處理 ECSE-4530（倫斯勒理工學院），Richard Radke
[課程] [YouTube]
本課程全面介紹數位訊號處理演算法的理論、設計與實作。在課程的前半部分，我們強調頻域和 Z 變換分析。在課程的後半部分，我們研究訊號處理的高級主題，包括多速率訊號處理、濾波器設計、自適應濾波、量化器設計和功率譜估計。本課程完全獨立於應用，為未來的通訊、控製或影像處理領域的學習提供堅實的理論基礎。該課程最初是為研究生級別提供的，但在 2009 年重新調整為高級級別。
數位訊號處理 (EPFL)，Paolo Prandoni，Martin Vetterli
[課程]
在這個由四門課程組成的系列中，您將從頭開始學習數位訊號處理的基礎知識。從離散時間訊號的基本定義開始，我們將透過傅立葉分析、濾波器設計、採樣、插值和量化來建立一個足夠完整的 DSP 工具集，以詳細分析實際的通訊系統。將定期使用實踐範例和演示來縮小理論與實踐之間的差距。
影像與影片處理：從火星到好萊塢，並在醫院停留（杜克大學），Guillermo Sapiro 教授
[課程] [YouTube]
在本課程中，您將學習如何製作、更改、儲存和使用數位影像和影片背後的科學。我們將了解數位成像的廣闊世界，從電腦和數位相機如何形成影像，到好萊塢電影中如何使用數位特效，再到火星車如何能夠跨越數百萬英里的太空發送照片。
本課程首先介紹人類視覺系統的工作原理，然後向您介紹使數位影像發揮作用的工程、數學和電腦科學。您將學習用於調整影像的基本演算法，探索用於編碼和壓縮視訊影像的 JPEG 和 MPEG 標準，並繼續了解影像分割、雜訊消除和過濾。最後，我們將以醫學中使用的影像處理技術結束。
數位影像處理簡介 ECSE-4540（倫斯勒理工學院），Richard Radke
[課程] [YouTube]
影像處理領域的介紹，涵蓋分析和實現方面。主題包括人類視覺系統、相機和影像形成、影像取樣和量化、空間和頻域影像增強、濾波器設計、影像復原、影像編碼和壓縮、形態影像處理、彩色影像處理、影像分割和影像重建。來自消費者數位成像、安全和監控以及醫學影像處理的真實範例和作業。本課程為我們廣泛的研究生影像處理和電腦視覺課程奠定了良好的基礎。
數位影像與視訊處理基礎（西北大學），Aggelos K. Katsaggelos 教授
[課程]
本課程將涵蓋影像和視訊處理的基礎知識。我們將提供一個數學框架來描述和分析影像和視訊作為空間、時空和頻域中的二維和三維訊號。在本課程中，您不僅將學習基本處理任務背後的理論，包括圖像/視訊增強、恢復和壓縮，而且還將學習如何使用最先進的技術和工具在實踐中執行這些關鍵處理任務。我們將介紹並使用各種此類工具—從優化工具箱到統計技術。也將強調稀疏性在現代影像和視訊處理中發揮的特殊作用。在所有情況下，都將使用與特定應用領域相關的範例影像和影片。
影像與多維訊號處理 EENG 510（科羅拉多礦業學院），William Hoff
[課程] [YouTube]
本課程為學生提供理論背景，使他們能夠應用最先進的圖像和多維訊號處理技術。本課程教導學生解決涉及影像、視訊序列和體積資料等多維資料處理的實際問題。學生需要解決的問題類型是多維資料的自動測量，以及多維資料的復原、重建或壓縮。解決這些問題所使用的工具包括各種特徵提取方法、過濾技術、分割技術和變換方法。
數位影像處理（印度理工學院坎普爾分校），PK Biswas 教授
[課程] [YouTube]
影像處理與分析 ECS 173（加州大學戴維斯分校），Owen Carmichael 教授
[課程] [YouTube]
從相機、三維表面感測器和醫療設備產生的影像中自動提取高級資訊的技術。典型應用包括檢測各種類型影像中的物件以及描述醫學影像中出現的生物樣本群體。
數位影像處理 EE225B（加州大學柏克萊分校），Avideh Zakhor 教授
[課程]
本課程涵蓋以下主題：2D序列和系統、可分離系統、投影切片thm、從投影和部分傅立葉資訊重建、Z變換、不同方程式、遞歸可計算性、2D DFT和FFT、2D FIR濾波器設計；人眼、感知、心理物理視覺特性、光度測定和色度測定、光學和影像系統；影像增強、影像恢復、幾何影像修改、形態影像處理、半色調、邊緣偵測、影像壓縮：標量量化、無損編碼、霍夫曼編碼、算術編碼字典技術、波形和變換編碼DCT、KLT、Hadammar、多解析度編碼金字塔、子帶編碼、分形編碼、向量量化、運動估計和補償、標準：JPEG、MPEG、H.xxx、預處理和後處理、可擴展影像和視訊編碼、雜訊通道上的影像和視頻通信。
數位影像處理 I EE637（普渡大學），Charles A. Bouman 教授
[課程] [YouTube]
介紹用於增強、壓縮、恢復、重建和分析的數位影像處理技術。講座和實驗室實驗涵蓋廣泛的主題，包括二維訊號和系統、影像分析、影像分割；消色差視覺、彩色影像處理、彩色成像系統、影像銳利化、插值、抽取、線性和非線性濾波、影像列印和顯示；影像壓縮、影像恢復和斷層掃描。
定量大影像：從影像到統計（蘇黎世聯邦理工學院），KS Mader，M. Stampanoni
[課程] [YouTube] [GitHub]
本次講座重點在於從影像資料中提取穩健的定量指標這一具有挑戰性的任務，旨在彌合純訊號處理和成像實驗科學之間的差距。本課程將重點放在技術、可擴展性和科學驅動的分析。
電腦視覺第一原理，Shree Nayar
[網站] [YouTube]
《電腦視覺第一原理》是由哥倫比亞大學工程與應用科學學院電腦科學系教師 Shree Nayar 主持的一系列講座。電腦視覺是製造「能看」的機器的企業。本系列重點關注視覺的物理和數學基礎，專為沒有電腦視覺知識的學生、從業者和愛好者而設計。
電腦視覺 CAP5415 (UCF)，Mubarak Shah 博士
[2012 年課程] [2014 年課程] [YouTube 2012] [YouTube 2014]
該課程為入門級課程。它將涵蓋電腦視覺的基本主題，並介紹電腦視覺研究的一些基本方法。
電腦視覺簡介 CS-6476（佐治亞理工學院）
[課程] [優達學城]
電腦視覺 EENG 512（科羅拉多礦業學院），William Hoff
[Youtube]
本課程從影像形成和低階影像處理開始概述該領域。然後，我們詳細介紹從影像中提取特徵、測量形狀和位置以及識別物體的理論和技術。
3D電腦視覺CS4277/CS5477（新加坡國立大學），Gim Hee Lee
[Youtube]
這是一門 3D 電腦視覺入門課程，由於新冠肺炎 (COVID-19) 疫情而在新加坡國立大學錄製，用於線上學習。涵蓋的主題包括： 第 1 講：二維和一維射影幾何。第 2 講：剛體運動與 3D 射影幾何。第 3 課：圓點和絕對圓錐曲線。第 4 講：魯棒單應性估計。第5講：相機模型與標定。第 6 講：單一視圖計量。第 7 課：基本矩陣與本質矩陣。第 8 課：從點或線進行絕對姿態估計。第 9 課：點和/或線的三視圖幾何學。第 10 講：運動結構 (SfM) 和束調整。第11講：雙視圖和多視圖立體。第12講：廣義相機。第 13 講：自動校準。
電腦視覺中的多視圖幾何 (IT Sligo)，Sean Muller
[Youtube]
電腦視覺（印度理工學院坎普爾分校），Jayanta Mukhopadhyay 教授
[課程]
本課程將全面涵蓋與成像幾何和場景理解相關的理論和計算。它還將提供該領域應用的聚類、分類和深度學習技術的接觸。
電腦視覺 CS-442 (EPFL)，Pascal Fua
[課程]
將向學生介紹電腦視覺領域的基本技術。他們將學習在適當的情況下應用影像處理技術。我們將專注於使用標準攝影機所獲得的黑白和彩色影像。我們將介紹基本的處理技術，例如邊緣檢測、分割、紋理表徵和形狀識別。
電腦視覺 CS 543（伊利諾大學），Derek Hoiem
[課程] [錄音]
在本課程中，我們將涵蓋許多電腦視覺的基本概念和演算法：單視圖和多視圖幾何、照明、線性濾波器、紋理、興趣點、追蹤、RANSAC、K-means聚類、分割、EM演算法、認可等。在作業中，您將把其中許多概念付諸實踐。由於這是一門調查課程，我們不會深入討論任何主題，但在課程結束時，您應該為任何進一步的與視覺相關的調查和應用做好準備。
視覺效果的電腦視覺 ECSE-6969，Richard Radke
[課程] [YouTube]
本課程強調高級視覺效果基礎的研究主題，這些視覺效果在廣告、音樂影片和電影中變得越來越常見。主題包括好萊塢定期使用的經典電腦視覺演算法（例如藍色畫面摳圖、運動結構、光流和特徵追蹤）以及構成未來效果基礎的令人興奮的最新發展（例如自然影像摳圖、多影像合成、影像重定向和視圖合成）。我們也討論了動作捕捉和三維資料收集背後的技術。對幕後影片的分析以及對好萊塢視覺效果藝術家的深入採訪將數學概念與現實世界的電影製作聯繫起來。
影像處理與電腦視覺 (CBCSL)，Aleix M. Martinez
[Youtube]
電腦視覺的古老秘密（華盛頓大學），約瑟夫·雷德蒙
[課程] [YouTube]
本課程是計算機視覺的一般介紹。它涵蓋了影像處理中的標準技術，如過濾、邊緣檢測、立體、流等（老式視覺），以及基於機器學習的新型電腦視覺。
高階電腦視覺 CAP6412 (UCF)，Mubarak Shah 博士
[2019 年課程] [YouTube]
這是一種高級電腦視覺，將使研究生接觸到前沿研究。在每節課中，我們將討論一篇與當前研究活躍領域相關的最新研究論文，特別是深度學習的應用。幾十年來，電腦視覺一直是一個非常活躍的研究領域，研究人員一直致力於解決重要的挑戰性問題。在過去的幾年裡，涉及人工神經網路的深度學習一直是電腦視覺領域的顛覆性力量。利用深度學習，在很短的時間內在解決難題上取得了巨大的進步，在圖像和視頻分類、定位、語義分割等方面取得了令人印象深刻的成果。幾乎每個領域都在湧現。深度電腦視覺正在影響機器人學、自然語言理解、電腦圖形、多模態分析等領域的研究。
電腦視覺 I：變分方法（慕尼黑工業大學），Daniel Cremers 教授
[課程] [YouTube]
變分方法是高維度成本函數最佳化的最經典技術之一。電腦視覺和其他研究領域的許多挑戰可以表述為變分方法。例如去雜訊、去模糊、影像分割、追蹤、光流估計、立體影像的深度估計或多個視圖的 3D 重建。
在這堂課中，我將介紹變分法、歐拉-拉格朗日演算和偏微分方程的基本概念。我將討論如何將各自的電腦視覺和影像分析挑戰轉化為變分問題以及如何有效地解決它們。在課程即將結束時，我將討論凸公式和凸鬆弛，它們允許在變分設定中計算最優或接近最優的解決方案。
電腦視覺 II：多視圖幾何（慕尼黑工業大學），Daniel Cremers 教授
[課程] [YouTube]
講座介紹了影像形成的基本概念—透視投影和相機運動。目標是從多個影像重建三維世界和相機運動。為此，需要確定各種影像中的點與允許計算運動和 3D 結構的相應約束之間的對應關係。本講座特別強調剛體運動和透視投影的數學描述。為了估計相機運動和 3D 幾何形狀，我們將使用光譜方法和非線性最佳化方法。
高級計算機視覺 (CBCSL)，Aleix M. Martinez
[Youtube]
電腦視覺研究生暑期學校（加州大學洛杉磯分校 IPAM）
[課程]
攝影測量 I 和 II（波昂大學），Cyrill Stachniss
[課程] [YouTube]
移動感測和機器人 I（波昂大學），Cyrill Stachniss
[課程]
移動感測與機器人 II（波昂大學），Cyrill Stachniss
[課程] [YouTube]
機器人測繪（波昂大學），Cyrill Stachniss
[課程] [YouTube]
該講座將涵蓋移動機器人環境建模背景下的不同主題和技術。我們將介紹 SLAM 等技術以及卡爾曼濾波器、資訊濾波器、粒子濾波器系列。我們將進一步研究基於圖的方法、最小二乘誤差最小化、地點識別和基於外觀的映射技術以及資料關聯。
生物辨識學（印度理工學院坎普爾分校），Phlguni Gupta 教授
[課程] [YouTube]
介紹生物辨識特徵及其目標、影像處理基礎、基本影像操作、濾波、增強、銳利化、邊緣偵測、平滑、增強、閾值處理、定位。傅立葉級數、DFT、DFT 的逆。生物辨識系統、識別和驗證。 FAR/FRR，系統設計問題。正/負識別。生物辨識系統安全、驗證協議、匹配分數分佈、ROC 曲線、DET 曲線、FAR/FRR 曲線。預期整體錯誤、EER、生物辨識誤區和誤傳。選擇合適的生物辨識。生物辨識屬性、Zephyr 圖表、多種生物辨識類型。多模型系統驗證、歸一化策略、融合方法、多模型辨識。生物辨識系統安全、生物辨識系統漏洞、規避、秘密取得、品質控制、範本生成、互通性、資料儲存。辨識系統：人臉、簽名、指紋、耳朵、虹膜等。
CS231n 用於視覺辨識的捲積神經網路（史丹佛大學）
[課程] [YouTube]
本課程深入探討深度學習架構的細節，重點在於學習這些任務的端到端模型，特別是影像分類。在為期 10 週的課程中，學生將學習實現、訓練和調試自己的神經網絡，並詳細了解電腦視覺的前沿研究。最終作業將涉及訓練數百萬參數的捲積神經網路並將其應用於最大的影像分類資料集（ImageNet）。我們將重點介紹如何設定影像辨識問題、學習演算法（例如反向傳播）、訓練和微調網路的實用工程技巧，並指導學生完成實作作業和最終課程專案。本課程的大部分背景和材料都來自 ImageNet 挑戰賽。
電腦視覺深度學習（密西根大學），Justin Johnson
[課程]
本課程深入探討神經網路為基礎的電腦視覺深度學習方法的細節。在本課程中，學生將學習實現、訓練和調試自己的神經網絡，並詳細了解電腦視覺的前沿研究。我們將介紹學習演算法、神經網路架構以及用於視覺識別任務的訓練和微調網路的實用工程技巧。
卷積神經網絡，Andrew Ng 教授
[課程]
本課程將教您如何建立卷積神經網路並將其應用於影像資料。由於深度學習，電腦視覺的表現比兩年前要好得多，這使得許多令人興奮的應用成為可能，從安全自動駕駛到準確的人臉識別，再到自動讀取放射影像。
卷積網絡，伊恩古德費洛
[Youtube]
感覺系統 9.04 (麻省理工學院), Peter H. Schiller 教授, M. Christian Brown 教授
[課程] [YouTube]
本課程探討感官知覺的神經基礎。重點是哺乳動物神經系統的生理和解剖學研究以及動物和人類的行為研究。主題包括視覺模式、顏色和深度感知、聽覺反應和聲音定位以及體感感知。
視覺感知與大腦（杜克大學），Dale Purves
[課程]
將以感知為指導，向學習者介紹視覺所面臨的問題。課程將討論我們所看到的東西是如何由視覺系統產生的，視覺的核心問題是什麼，以及視覺感知表明大腦如何運作。證據將來自神經科學、心理學、視覺科學的歷史、哲學的貢獻。儘管討論將以視覺系統解剖學和生理學為基礎，但重點是感知。我們以一種奇怪的方式看待物質世界，我們的目標是理解其中的原因。
高層次願景（CBCSL）
[Youtube]
機器學習 CS229（史丹佛大學），Andrew Ng 教授
[課程] [YouTube]
本課程廣泛介紹了機器學習和統計模式識別。主題包括：監督學習（生成/判別學習、參數/非參數學習、神經網路、支援向量機）；無監督學習（聚類、降維、核子方法）；學習理論（偏差/變異數權衡；VC 理論；大利潤）；強化學習和自適應控制。該課程還將討論機器學習的最新應用，例如機器人控制、資料探勘、自主導航、生物資訊學、語音識別以及文字和網路資料處理。
機器學習 CS156（加州理工學院），Yaser Abu-Mostafa 教授
[課程] [YouTube]
這是加州理工學院教授 Yaser Abu-Mostafa 教授的一門關於機器學習的入門課程，涵蓋基礎理論、演算法和應用。機器學習 (ML) 使計算系統能夠利用從觀察到的數據中累積的經驗來自適應地提高其效能。機器學習技術廣泛應用於工程、科學、金融和商業領域，用於建立我們沒有完整數學規範的系統（涵蓋了許多系統）。本課程平衡理論和實踐，涵蓋數學和啟發式方面。
電腦視覺機器學習（海德堡大學），Fred Hamprecht 教授
[課程] [YouTube]
本課程涵蓋了允許所謂的「結構化預測」的高級機器學習方法。目標是做出以非平凡方式相互作用的多個預測；我們在訓練和測試時都會考慮這些交互作用。
機器人與電腦視覺機器學習（慕尼黑工業大學），Rudolph Triebel 博士
[課程] [YouTube]
在本次講座中，我們將向學生介紹電腦視覺和機器人應用中最常用的機器學習方法。本講座的主要目的是獲得現有方法的廣泛概述，並了解它們在電腦視覺和模式識別背景下的動機和主要思想。
智慧型系統機器學習 CS4780（康乃爾大學），Killian Weiberger 教授
[課程] [YouTube]
本課程的目標是介紹機器學習領域。本課程將教您基本技能，以確定針對什麼問題使用哪種學習演算法，編寫自己的學習演算法並對其進行評估和調試。
機器學習與模式辨識簡介 (CBCSL)，Aleix M. Martinez
[Youtube]
應用機器學習 COMS W4995（哥倫比亞），Andreas C. Müller
[課程] [YouTube]
本課程提供機器學習和資料科學的實作方法。本課程討論支援向量機、隨機森林、梯度提升和神經網路等機器學習方法在現實世界資料集上的應用，包括資料準備、模型選擇和評估。該類別對 COMS W4721 進行了補充，因為它的所有實作完全依賴 scikit-learn 和張量流中可用的開源實作。除了應用模型之外，我們還將討論與生產機器學習模型相關的軟體開發工具和實踐。
機率與統計機器學習（蒂賓根大學），Philipp Hennig 教授、U. von Luxburg 教授
[課程] [YouTube]
講座的重點是機器學習的演算法和理論方面。我們將介紹許多標準演算法，並了解建構良好的機器學習演算法的一般原理和理論結果。主題範圍從公認的結果到最新的結果。
程式設計師機器學習簡介 (fast.ai)，Jeremy Howard
[課程] [YouTube]
由 Jeremy Howard（Kaggle 連續兩年排名第一的競爭對手，Enlitic 的創辦人）授課。學習最重要的機器學習模型，包括如何從頭開始創建它們，以及資料準備、模型驗證和建立資料產品的關鍵技能。 12 週來完成材料。該課程基於舊金山大學數據科學理學碩士課程錄製的課程。我們假設您至少有一年的程式設計經驗，並且要么記住您在高中數學中學到的知識，要么準備進行一些獨立學習來刷新您的知識。
機器學習簡介 ECE 5984（維吉尼亞理工大學），Dhruv Batra 教授
[課程] [YouTube]
深度學習 CS230（史丹佛大學），Andrew Ng 教授，Kian Katanforoosh
[課程] [YouTube]
深度學習是人工智慧領域最受追捧的技能之一。在本課程中，您將學習深度學習的基礎知識，了解如何建立神經網絡，並學習如何領導成功的機器學習專案。您將了解卷積網路、RNN、LSTM、Adam、Dropout、BatchNorm、Xavier/He 初始化等。
深度學習專業，Andrew Ng 教授、Kian Katanforoosh
[課程]
在五門課程中，您將學習深度學習的基礎知識，了解如何建立神經網絡，並學習如何領導成功的機器學習專案。您將了解卷積網路、RNN、LSTM、Adam、Dropout、BatchNorm、Xavier/He 初始化等。您將從事醫療保健、自動駕駛、手語閱讀、音樂生成和自然語言處理等領域的案例研究。您不僅會掌握理論，還會看到它如何在工業中應用。您將在我們將教授的 Python 和 TensorFlow 中實踐所有這些想法。
深度學習 EE-559 (EPFL)，François Fleuret
[課程]
本課程全面介紹深度學習，並以 PyTorch 框架中的範例為基礎：機器學習目標和主要挑戰、張量運算、自動微分、梯度下降、深度學習特定技術（batchnorm、dropout、殘差網路）、影像理解、生成模型、對抗性生成模型、循環模型、注意力模型、NLP。
深度學習簡介 6.S191 (MIT)，Alexander Amini 和 Ava Soleimany
[課程] [YouTube]
麻省理工學院關於深度學習方法及其在電腦視覺、自然語言處理、生物學等領域的應用的入門課程！學生將獲得深度學習演算法的基礎知識，並獲得在 TensorFlow 中建立神經網路的實踐經驗。課程以專案提案競賽結束，並獲得工作人員和行業贊助商小組的回饋。先決條件假設微積分（即求導）和線性代數（即矩陣乘法），我們將嘗試沿途解釋所有其他內容！ Python 經驗會有所幫助，但不是必要的。
程式設計師實用深度學習 (fast.ai)，Jeremy Howard
[課程] [YouTube]
使用 fastai 和 PyTorch 為程式設計師提供深度學習：無需博士學位的人工智慧應用。
知覺深度學習 ECE 6504（維吉尼亞理工大學），Dhruv Batra 教授
[課程] [YouTube]
本課程將使學生接觸到前沿研究——從神經網路基礎知識的複習到最新的發展。
深度學習與人工智慧講座（麻省理工學院）
[課程] [YouTube]
深度學習簡介 11-785（卡內基美隆大學）
[課程] [YouTube]
在本課程中，我們將學習深度神經網路的基礎知識及其在各種人工智慧任務中的應用。在課程結束時，預計學生將非常熟悉該主題，並能夠將深度學習應用於各種任務。他們還將了解有關該主題的許多當前文獻，並透過進一步的學習擴展他們的知識。
電腦圖形學 CMU 15-462/662（卡內基美隆大學）
[網站] [YouTube]
卡內基美隆大學電腦圖形學入門課程的講座影片。
電腦圖形學（烏得勒支大學），Wolfgang Huerst
[Youtube]
荷蘭烏得勒支大學 Wolfgang Hürst 於 2012 年 4 月至 2012 年 6 月期間進行的電腦圖形學入門講座的錄音。
電腦圖形學 ECS175（加州大學戴維斯分校），Kenneth Joy 教授
[Youtube]
電腦圖形學 (ECS175) 教授 3 維電腦圖形學的基本原理。重點是在三維空間中定位物體的基本數學技術、確定光如何從表面反射所需的幾何光學，以及利用電腦系統和方法來實現產生基本 3- 三維空間所需的演算法和技術的方法。 。詳細主題將包括以下內容：變換幾何、虛擬相機和光源的定位、複雜物件的分層建模、複雜模型的渲染、著色演算法以及渲染和著色彎曲物件的方法。
電腦圖形 CS184（加州大學柏克萊分校），Ravi Ramamoorthi
[課程]
本課程介紹 3 維電腦圖形學的基礎。涵蓋的主題包括2D 和3D 轉換、使用OpenGL 進行互動式3D 圖形編程、著色和照明模型、使用Bézier 和B 樣條曲線的幾何建模、電腦圖形渲染（包括光線追蹤和全局照明）、抗鋸齒和紋理映射的訊號處理、以及動畫和逆運動學。重點將放在圖形的數學和幾何方面，以及編寫完整的 3D 圖形程式的能力。
渲染/光線追蹤課程（維也納工業大學），Károly Zsolnai-Fehér
[課程] [YouTube]
本課程旨在概述基本和最先進的渲染方法。介紹了離線方法，例如射線和路徑追蹤、光子映射和許多其他演算法，並解釋了各種細化。概述了所涉及的物理基礎知識，例如幾何光學、表面和媒體與光的相互作用以及相機模型。介紹了在多種演算法中大量使用的蒙特卡羅方法的裝置，並以分層抽樣的形式對其進行了細化，並解釋了 Metropolis-Hastings 方法。
