有三AI-CV中阶-图像质量组（2024年）

这门课解决什么问题

图像质量评估与处理是 AI 落地中最容易被忽视的瓶颈。无论是手机拍摄、车载视觉、医疗影像还是工业质检，算法的准确率往往被低质量输入直接拖垮——模糊、噪点、欠曝、色偏，每一类失真都会让下游任务（检测、分割、识别）的精度断崖式下跌。

这门课的核心目标是建立完整的图像质量处理知识体系：从**如何量化"好图"**，到**如何修复"坏图"**，再到**如何让图更有表现力**。它覆盖 8 个方向——评价、构图、降噪、对比度增强、去模糊与超分辨、风格化、深度估计、修复——不是孤立讲每个工具，而是帮你建立起从"诊断问题"到"选择方案"再到"验证效果"的闭环能力。

具体来说，学完后你能：
- 面对一张模糊/有噪点/对比度差的图片，能判断失真类型并选择对应的算法路径
- 理解图像质量评价的客观指标（PSNR、SSIM、LPIPS 等）和主观评测方法
- 掌握降噪、去模糊、超分辨等技术的选择逻辑，而不是盲目调用 API
- 了解构图分析和图像修复的实际应用场景（如老照片修复、生成内容补全）

适合什么基础

**必备基础**：Python 编程能力，熟悉 NumPy、OpenCV 的基本用法；线性代数与概率论基础（卷积、傅里叶变换、统计分布的概念）。

**加分基础**：学习过深度学习课程（CNN、GAN、Transformer），对 PyTorch/TensorFlow 有实践经验；了解常见 CV 任务（分类、检测、分割）的输入输出要求。

**不适合的人群**：完全没有编程经验（建议先补 Python+OpenCV）；只想调用现成工具不做原理理解（课程偏工程实现与算法调参）；对图像美学没有任何兴趣（风格化和构图分析需要一定的审美积累）。

**建议先看的几块**：如果你是为**工业质检/车载视觉**做准备，优先攻克"评价→降噪→去模糊→超分辨"这条链路；如果是为**内容创作/老照片修复**做准备，优先看"评价→对比度增强→修复→风格化"。8 个方向有内在关联，但可以根据场景裁剪学习顺序。

学完能独立做什么

课程结束后，你应该能够独立承担以下工作场景：

1. **图像质量评估任务**：面对一批图片（如手机拍摄批次、产线截图），能建立自动化评测流程，输出质量分布报告，并定位问题根源（是噪点、模糊还是曝光问题）。.mp4

2. **图像增强管线搭建**：针对特定应用场景（如低光照监控、医疗内窥镜、卫星遥感），能设计并实现从预处理到后处理的完整增强 pipeline，包括降噪、对比度调整、去模糊的组合策略。.mp4

3. **风格化与修复应用**：能对历史照片进行自动修复（去划痕、上色、超分），或根据需求生成特定风格的图像处理方案。.mp4

**资料怎么配合练习**：课程配套的资料包包含每个方向的代码实现、测试数据集和对比实验脚本。建议**每个方向至少跑通官方代码→用自己的数据复现→修改参数对比效果**，这样能把"看懂"转化为"会调"。不要跳级，8 个方向的递进关系很强，跳过评价直接学修复会难以判断修复效果的好坏。