全变差去噪matlab代码通过正则反转（IHRRI）工具箱进行的在线全息图重建 一个基于数字内嵌全息图的基于“逆问题”的图像重建的matlab代码。 该工具箱实现了基于逆问题的算法，专用于数字在线全息显微镜（DHM）中的图像重建。 关于DHM和逆方法的理论方面是在JOSA A [1]中发布​​的指南中开发的，并且此代码构成了该出版物中提出的算法的演示者。 可以按原样执行名为reconstruction_script.m的主要重建脚本，并且可以从必须在文件parameters.m设置参数（数据和结果保存路径，校准，算法设置）的线内全息图数据进行重建parameters.m （有关更多详细信息，请参考它）。 所有设置都存储在全局结构EXPE ，该结构还存储重建结果。 在脚本末尾，此结构保存在MAT文件的experiment.m中，该文件包含在results目录中一个带时间戳的子目录中，该子目录称为数据全息图文件。 原则 该代码能够执行两种“反问题”算法，旨在从强度在线全息图像Y重建图像X 在此代码中， X是2分量图像（[width，height，2]），每个图像分别对应于与单位透射平面的复

很经典的滤波反投影程序 C语言写的 希望能帮助大家

matlab方差分析代码OCT重建和光谱分析 用于频谱域OCT图像的重建和频谱分析的MATLAB代码。 该代码可用作OCT分子成像平台的一部分，我们称之为MOZART。 创建该代码是为了从Thorlabs OCT中读取原始干涉图（SW版本4效果最好，但版本3也受支持，但有一些更改）。 它将原始干涉图重建为OCT图像，并支持2D，3D和散斑方差。 除了重建图像之外，此代码还包括： 计算标准化的花斑变化（用于检测血管） 计算色散补偿 基于双频频谱分析，计算频谱对立图 计算光谱深度补偿 创建结合了OCT图像，光谱分析和斑点变化的图像。 和更多功能... 使用此代码和分析创建的图像示例： （连续注射两种类型的大金纳米棒后，绘制小鼠耳廓的增强OCT图像） 该代码用于创建图像并进行以下分析：“具有皮摩尔灵敏度的增强光学相干断层扫描，以进行功能性体内成像”，O Liba，ED SoRelle，D Sen，A de La Zerda-科学报告，2016年。 如果您使用我们的代码，请引用我们的论文。 我要感谢德国吕贝克的Thorlabs团队在使用OCT系统和重建原始信号方面的支持。 代码的用法： 如果使

用于从 RGB 图像重建光谱的分层回归网络 NTIRE 2020 团队 OrangeCat 光谱重建挑战的 README 文件：用于从 RGB 图像重建光谱的分层回归网络。 我们的方法在轨道 2 中获得了第一名：真实世界的图像。 论文可下载： : HRNet架构 主网络（不同层通过PixelShuffle和PixelUnShuffle连接）： 主网建议使用的 ResDB 和 ResGB： 文件结构 NTIRE 2020 Spectral Reconstruction Challenge │ README.md │ validation*.py │ test*.py │ ensemble*.py │ └───track1 (saving the trained models of track1) │ │ code1_G_epoch9000_bs8.pth │

Image reconstruction by domain-transform manifold learning

GTC 2021腾讯游戏演讲PPT，游戏开发中的三维重建。

NeuralRecon：单目视频的实时相干3D重建 | NeuralRecon：单目视频的实时相干3D重建*，*， ，，CVPR 2021（口头报告） 代码发布ETA 我们计划在一个月内发布代码，敬请期待。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021neucon, title={{NeuralRecon}: Real-Time Coherent {3D} Reconstruction from Monocular Video}, author={Sun, Jiaming and Xie, Yiming and Chen, Linghao and Zhou, Xiaowei and Bao, Hujun}, journal={CVPR}, yea

使用图像到图像的翻译进行无限制的面部几何重构-官方PyTorch实施 使用图像到图像转换的无限制面部几何重构的评估代码。终于移植到PyTorch！ 最近更新 2020.10.27 ：添加了STL支持 2020.05.07 ：添加了车轮包装！ 2020.05.06 ：添加了版本以用于模型的快速测试 2020.04.30 ：pyTorch初始版本 此版本中有什么内容？ 由三部分组成 一个网络执行图像到深度+在合成人脸数据上训练的对应图 一种非刚性ICP方案，用于将输出图转换为完整的3D网格 从阴影到形状的方案，用于添加精细的介观细节 这个仓库目前包含我们的图像到图像网络，其中包含权重和PyTorch模型以及一个简单的python后处理方案。 已发布的网络经过了合成图像和未标记真实图像的组合训练，以增强鲁棒性：) 安装 从PyPi安装 $ pip install pix2vertex

通过3D密集人脸重建实现稳定的头部姿势估计和地标回归 通过Tensorflow Lite框架，人脸网格，头部姿势，界标等，重新实现。 CPU实时人脸检测，对齐和重建管线。 轻量级渲染库，比工具快5倍（3对 。 通过单个网络的相机矩阵和密集/稀疏地标预测。 生成面部参数以实现可靠的头部姿势和表情估计。 设置 基本要求 Python 3.6+ pip3 install -r requirements.txt 渲染致密脸 GCC 6.0+ bash build_render.sh （谨慎）对于Windows用户，请参考以获取更多详细信息。 3D人脸地标 在这个项目中，我们通过3DMM参数回归进行密集人脸重建。 回归目标简化为相机矩阵（ C ，形状为3x4），外观参数（ S ，形状为1x40）和表达变量（ E ，形状为1x10），共有62个维度。 可以通过将这些参数应用于预定义的

仅利用图像的相位信息，而不论其幅度信息来重构图像。