一、課程說明(Course Desc<x>ription) [Updated on Dec 8, 2021]  
<br>EE6620 Computational Photography (計算攝影學)
<br>**修課條件: 必需修過線性代數、機率、計算機程式設計；修過數位訊號處理概論以及會寫Python為
<br>佳
<br>
<br>Class Hours: T2F3F4
<br>Lecture Room: 台達201教室 
<br>Instructor: 黃朝宗
<br>TA: TBD
<br>
<br>Course ob<x>jectives: 
<br>介紹如何透過計算來增強拍照的影像品質，並實際藉由程式實現來驗證可行性。 除了讓學生了解最先
<br>進的影像處理演算法外，亦透過Python學習如何使用最新的影像處理函式庫，如影像最佳化的
<br>ProxImaL，以及卷積神經網路框架PyTorch。
<br>
<br>二、指定用書(Text Books) 
<br>上課以投影片為主
<br>
<br>三、參考書籍(References) 
<br>1. Richard Szeliski, Computer Vision: Algorithms and Applications, Springer 2010.
<br>2. Selected papers [references will be given in lecture notes].
<br>
<br>四、教學方式(Teaching Method) 
<br>本課程將依序分為四個單元：相機成像、以最佳化為基底之影像處理、以卷積神經網路為基底之影像處
<br>理、以及其它特選主題。除了講堂上以投影片授課以外，有三次Python程式作業(對應前三單元)，與
<br>期末專題，以透過解決實際影像問題來體驗計算攝影學的威力。
<br>
<br>五、教學進度(Syllabus) 
<br>Part I –相機成像: 四週
<br>Part II –以最佳化為基底之影像處理: 四週
<br>Part III –以卷積神經網路為基底之影像處理: 五週
<br>Part IV –其它主題(擬真渲染成像和光場): 三週
<br>Final Project/Final Presentation (Jun 17, 2022) 
<br>
<br>六、成績考核(Evaluation) 
<br>Homework (60%)
<br>Term Project (40%)
<br>
<br>七、可連結之網頁位址 
<br>eeclass
<br>
<br>