Навчання > Теоретичні основи комп’ютерного зору (пм)

Теоретичні основи комп’ютерного зору (пм)

Тип: На вибір студента

Кафедра: прикладної математики

Навчальний план

СеместрКредитиЗвітність
93Залік

Лекції

СеместрК-сть годинЛекторГрупа(и)
936доцент Дяконюк Л. М.

Лабораторні

СеместрК-сть годинГрупаВикладач(і)
918ПМп-51мдоцент Дяконюк Л. М.
ПМп-52мдоцент Дяконюк Л. М.

Опис курсу

Дисципліна формує системне розуміння математичних моделей, алгоритмів і програмних засобів комп’ютерного зору. Розглядаються дискретне представлення зображень, просторові та спектральні оператори, диференціальні й варіаційні моделі, регуляризація, проективна геометрія, стереобачення, оцінювання руху, 3D-реконструкція та сучасні нейронні методи. Особлива увага приділяється зв’язку математичної постановки задачі з чисельним методом, програмною реалізацією та оцінюванням результатів.

Метою вивчення дисципліни є формування математичного апарату для аналізу, моделювання та розв’язування задач комп’ютерного зору і практичного вміння переходити від математичної постановки до алгоритму та його програмної реалізації.

Цілі: опанувати математичні моделі цифрових зображень; дослідити просторові й спектральні методи; застосовувати диференціальні та варіаційні підходи; засвоїти проективну геометрію і стереобачення; досліджувати рух та 3D-реконструкцію; ознайомитися з сучасними нейронними та диференційовними підходами.

Рекомендована література

Основна література:

  1. Szeliski R. Computer Vision: Algorithms and Applications. 2nd ed. Springer, 2022.
  2. Gonzalez R. C., Woods R. E. Digital Image Processing. 4th ed. Pearson, 2018.
  3. Hartley R., Zisserman A. Multiple View Geometry in Computer Vision. 2nd ed. Cambridge University Press, 2004.
  4. Forsyth D. A., Ponce J. Computer Vision: A Modern Approach. 2nd ed. Pearson, 2012.
  5. Aubert G., Kornprobst P. Mathematical Problems in Image Processing. 2nd ed. Springer, 2006.

Допоміжна та сучасна література:

  1. Prince S. J. D. Computer Vision: Models, Learning, and Inference. Cambridge University Press, 2012.
  2. Bishop C. M., Bishop H. Deep Learning: Foundations and Concepts. Springer, 2024.
  3. Horn B. K. P., Schunck B. G. Determining Optical Flow. Artificial Intelligence, 17, 1981.
  4. Mildenhall B. et al. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. ECCV, 2020.
  5. Kerbl B. et al. 3D Gaussian Splatting for Real-Time Radiance Field Rendering. ACM TOG, 2023.
  6. Yu Z. et al. Mip-Splatting: Alias-free 3D Gaussian Splatting. CVPR, 2024.
  7. Wang S. et al. DUSt3R: Geometric 3D Vision Made Easy. CVPR, 2024.
  8. Zou Z.-X. et al. Triplane Meets Gaussian Splatting. CVPR, 2024.
  9. Zhang J. et al. Advances in Feed-Forward 3D Reconstruction and View Synthesis: A Survey. arXiv, 2025.
  10. Wu Q. et al. 3DGUT: Enabling Distorted Cameras and Secondary Rays in Gaussian Splatting. CVPR, 2025.
  11. Ji B., Yao A. SfM-Free 3D Gaussian Splatting via Hierarchical Training. CVPR, 2025.
  12. Huang R. et al. From None to All: Self-Supervised 3D Reconstruction via Novel View Synthesis. CVPR, 2026.
  13. Kang G. et al. iLRM: An Iterative Large 3D Reconstruction Model. CVPR, 2026.
  14. Tian Y. et al. SDGS: Spatial Difference Guided Gaussian Splatting for Simultaneous Localization and 3D Reconstruction. CVPR, 2026.
  15. Wang Y. et al. Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives. CVPR, 2026.

Інтернет-ресурси:

  1. https://docs.opencv.org/5.0/tutorials/tutorials.html
  2. https://scikit-image.org/docs/stable/
  3. https://pytorch.org/docs/stable/
  4. https://openaccess.thecvf.com/
  5. https://arxiv.org/list/cs.CV

Силабус:

Завантажити силабус