随着3D技术的发展以及直播行业的火热,越来越多的人开始尝试3D直播,3D直播不仅在娱乐方面运用广泛,而且还能很好地应用于异地会议、教育、医疗等方面。目前,3D直播实现方式主要分为硬件与软件两种。硬件方式需要专业人员使用专门的3D摄像机进行拍摄,门槛较高,限制了3D直播的发展;软件方式主要通过2D到3D视频转换技术将2D视频转换为3D视频,无需添加额外的器件即可实现3D直播,有利于3D直播的普及与商业化。但2D到3D视频转换技术依旧存在一些不足之处如转换质量不高,转换效率无法满足实时性要求等,因此本文将研究重点放在2D到3D视频转换技术上。本文以提升2D到3D视频转换质量与转换效率为研究目标,利用深度学习、计算机视觉等方法进行了如下的研究:1、本文利用空间变换器网络建立了一个端到端的全自动2D到3D视频转换模型,解决了传统非端到端的2D到3D视频转换模型训练数据获取困难的问题。实验结果证明端到端的转换方式比起非端到端的转换方式拥有更好的转换质量以及更高的转换效率。2、针对目前端到端2D到3D视频转换模型转换精度低的问题,本文结合视频空间和时间两个维度的信息建立了基于时空特征的全自动2D到3D视频转换模型。实验结果表明本文提出的模型在精度与转换效率上都要优于已有的模型。3、针对3D直播对2D到3D视频转换技术提出的实时性要求,本文建立了基于注意力迁移机制的全自动2D到3D视频转换模型,使用轻量化网络以及注意力迁移对模型进行压缩。实验证明该模型无论在转换质量还是转换效率上都要优于现有的2D到3D视频转换模型,能够满足3D直播对转换效率提出的实时性要求。本文通过对2D到3D视频转换技术的研究,建立了一个全自动的3D直播系统,转换精度要优于现有的工作,转换效率可达每秒100帧以上,满足3D直播的实时性要求,为3D直播的普及与商业化做出了贡献。