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

第四天

第五章 遥感和地球观测

第一节：高光谱成像

1.基本概念及模型

2.典型方法讲解

3.高光谱成像技术案例解析

3.1典型研究方案设计动机分析

3.2网络结构分析及网络搭建

3.3网络训练及结果分析

第二节：TOF成像

1.基本概念及模型

2.典型方法讲解

3.TOF成像案例解析

3.1典型研究方案设计动机分析

3.2网络结构分析及网络搭建

3.3网络训练及结果分析

第三节：遥感目标检测

1.基本概念及模型

2.典型方法讲解

3.遥感目标检测案例解析

3.1典型研究方案设计动机分析

3.2网络结构分析及网络搭建

3.3网络训练及结果分析

第四节：无透镜图像分割

1.基本概念及模型

2.典型方法讲解

3.局部与非局部协同优化的无透镜图像分割

3.1典型研究方案设计动机分析

3.2网络结构分析及网络搭建

3.3网络训练及结果分析

第五天

第六章 深度光学技术及实践

第一节：用于HDR成像的深度光学

1.基本概念及模型

2.典型方法介绍

3.技术实操

3.1设备系统分析

3.2深度模型的构建及训练

3.3评测结果及创新改进分析

第二节：用于超表面逆向设计的任务感知人工智能模型

1.基本概念及模型

2.方法概览

3.技术实操

3.1设备系统分析

3.2深度模型的构建及训练

3.3评测结果及创新改进分析