01
课程导论
什么是多帧降噪？为什么需要多帧降噪？课程目标与学习路径。
入门概览
02
噪声模型
高斯噪声、泊松噪声、椒盐噪声的数学建模与仿真。
数学仿真
03
多帧降噪基础原理
时域滤波、空域滤波与频域滤波的对比。
核心对比
04
帧间配准（上）
基于特征点的配准方法（SIFT/SURF）。
特征SIFT
05
帧间配准（下）
基于光流的配准方法（Lucas-Kanade）。
光流LK
06
帧间配准（实战）
OpenCV实现图像配准与仿射变换。
实战OpenCV
07
简单平均法
多帧平均降噪的原理、实现与局限性。
基础平均
08
加权平均法
基于噪声方差的加权融合策略。
加权方差
09
中值滤波法
时域中值滤波与空域中值滤波的结合。
中值鲁棒
10
卡尔曼滤波（上）
状态空间模型与卡尔曼滤波基础。
状态空间递归
11
卡尔曼滤波（下）
在视频降噪中的实现与调参。
调参视频
12
维纳滤波
频域维纳滤波原理与多帧扩展。
频域维纳
13
非局部均值（NLM）
NLM原理与多帧NLM算法。
NLM非局部
14
三维块匹配（BM3D）
BM3D算法详解与多帧版本。
BM3D3D
15
VBM3D/VBM4D
视频块匹配降噪算法。
视频VBM3D
16
深度学习基础
CNN、残差学习与降噪网络。
CNN残差
17
DnCNN
从单帧到多帧的DnCNN网络设计。
DnCNN深度
18
3D卷积降噪
使用3D-CNN处理视频序列。
3D-CNN时空
19
循环神经网络（RNN）
ConvLSTM在视频降噪中的应用。
RNNConvLSTM
20
注意力机制
时空注意力网络（STAN）原理。
注意力STAN
21
数据集构建
合成噪声数据集与真实噪声数据集制作。
数据合成
22
评估指标
PSNR、SSIM、MOS与感知质量评估。
指标PSNR
23
模型优化
剪枝、量化、蒸馏在降噪模型中的应用。
剪枝量化
24
ONNX导出
将PyTorch/TensorFlow模型转为ONNX。
ONNX导出
25
TensorRT部署
使用TensorRT加速推理（C++/Python）。
TensorRT加速
26
OpenVINO部署
Intel平台上的部署优化。
OpenVINOIntel
27
移动端部署
NCNN/TNN在手机端的落地实践。
NCNN移动端
28
实时系统设计
多线程流水线、内存管理与延迟优化。
实时流水线
29
工程案例
安防监控夜间降噪系统完整实现。
安防实战
30
课程总结
前沿趋势（事件相机、神经渲染）与未来方向。
前沿总结