北京大学《计算机视觉导论》（2026 春季学期）编程作业仓库，包含四次循序渐进的实验，从经典图像处理到深度学习与三维视觉。
PKU-ICV-2026Spring-Assignment/
├── assignment-01/ # 作业 1：经典图像处理
├── assignment-02/ # 作业 2：神经网络基础
├── assignment-03/ # 作业 3：三维视觉与 NeRF
├── assignment-04/ # 作业 4：点云、序列模型与注意力
├── .gitignore
└── README.md
各次作业的详细说明、环境配置与提交要求见对应目录下的 README 或 PDF 说明文件。
| 作业 | 主题 | 主要技术栈 | 详细文档 |
|---|---|---|---|
| assignment-01 | 卷积、边缘检测、角点、RANSAC | NumPy | — |
| assignment-02 | 反向传播、BatchNorm、CIFAR-10 分类 | NumPy, PyTorch | README |
| assignment-03 | 点云、NeRF 渲染、Mask R-CNN | NumPy, PyTorch, Jupyter | README · PDF |
| assignment-04 | PointNet、RNN、Self-Attention 图像描述 | PyTorch | README · PDF |
实现图像处理的基础算法，全部基于 NumPy，无需深度学习框架。
- 卷积与滤波（
HM1_Convolve.py）：零填充 / 复制填充、Toeplitz 矩阵卷积、高斯滤波、Sobel 算子 - Canny 边缘检测（
HM1_Canny.py）：梯度计算、非极大值抑制、双阈值与滞后连接 - Harris 角点检测（
HM1_HarrisCorner.py）：结构张量与角点响应 - RANSAC 平面拟合（
HM1_RANSAC.py）：三维点云中的鲁棒平面估计
从手写反向传播到 PyTorch 训练完整 CNN。
- 反向传播（
BP.py）：在 MNIST 子集上实现两层 MLP 的前向与反向传播 - Batch Normalization（
batch_normalization/bn.py）：前向、反向及推理模式 - CIFAR-10 分类（
cifar-10/）：数据增强、网络结构设计、训练与 TensorBoard 可视化
涵盖点云、体渲染与目标检测，部分题目以 Jupyter Notebook 形式提供。
- depth_pc：由深度图反投影生成点云
- mesh_pc：从三角网格采样点云，计算 Chamfer Distance
- mini_nerf：实现 NeRF 的射线生成、采样与体渲染（无需训练）
- MaskRCNN：完成数据集封装，在小型数据集上训练实例分割模型
面向更复杂的深度学习架构与三维数据。
- PointNet（
PointNet/）：点云分类与分割，基于 ShapeNetPart 数据集 - RNN（
RNN/）：实现 RNN 层与图像描述模型，在 COCO 特征上过拟合演示 - Self-Attention（
Attention/）：因果自注意力与 Transformer 图像描述，含数值校验脚本 - MaskRCNN（
MaskRCNN/）：目标检测 / 实例分割（自作业 3 延续）
建议为每次作业创建独立的 Conda 环境，或按难度递进复用环境：
| 作业 | Python | 核心依赖 |
|---|---|---|
| 1 | ≥ 3.7 | NumPy, OpenCV |
| 2 | ≥ 3.7 | NumPy, PyTorch, OpenCV, TensorBoard |
| 3 | ≥ 3.7 | NumPy, Matplotlib, PyTorch, Trimesh, Jupyter |
| 4 | ≥ 3.7 | PyTorch, OpenCV, Matplotlib, h5py, imageio |
国内用户可使用 清华大学开源软件镜像站 加速 pip / conda 安装，具体命令见 assignment-02/README.md 与 assignment-04/README.md。
部分作业需额外下载数据集（如 CIFAR-10、ShapeNetPart、COCO 图像描述特征），下载链接与路径配置说明见各作业 README。