本书分为四部分，由11章组成，内容包括：自然场景文本检测，行人检测，目标跟踪，目标定位，风格迁移，图像/视频生成，文本到图像/视频生成，视觉内容生成的典型应用，深度估计，光流估计，姿态估计。书中对各应用方向均进行了深入的阐述，讲解真实应用场景下的处理方法，给出了具体案例的设计和实现。