文档摘要

视频与三维视觉 视频与三维视觉（video and 3D vision）把图像理解扩展到时间域和空间域。本文件涵盖光流、视频分类（3D CNN、TimeSformer）、目标跟踪（SORT、DeepSORT）、动作识别、深度估计（单目和立体）、点云、NeRF 和三维高斯泼溅（3D Gaussian splatting）。 文件 01 到 04 把图像当作孤立的快照来处理。但视觉世界是连续的：物体会动、场景会变、深度客观存在。本文件把计算机视觉扩展到时间域（视频）和空间域（三维），讨论模型如何理解运动、跟踪物体、估计深度、重建场景。 视频（video）是随时间捕获的一串图像（帧）。30 帧每秒时，一段 10 秒的片段包含 300 帧。

---