- 博客(7)
- 收藏
- 关注
原创 Provable Tensor Factorization with Missing Data论文总结
提出一种使用正交分解的张量方法,来尝试以有限数据来补全或者预测miss数据,并给出了有限数据的下限值的理论支持和证明过程,为了保障正交性,提出了Robust Tensor Power Method(RTPM)来进行约束,没有使用神经网络mlp,而是使用最小交替二乘法,并提出当基向量在已经确保正交后,还需要进行向量的分量的模不相干均衡,也给出了一些阈值的计算和实验。最后提出了一些数学上的分析和证明过程。这是一个张量,张量表示了一个3维场景。
2024-09-08 14:23:10 947
原创 实现的一种基于tensor分解的 tensorfRF代码。
此代码要求的环境,和上一篇文章一致。主要是把tensorfRF的官方代码的一个精简实现,其中提到的一些固定参数,需要把数据集中的aabb通过读取找到边界,
2024-09-06 20:14:10 335
原创 利用手写nerf的代码,修改为tensorRF的实现,简略版TensorRF源代码实现。
从这个网址下载代码,然后把以下代码替换为里面的tran-nerf.py就是tensorRF的简陋版实现。vm组件定义后,获得的体积密度和颜色特征,结合视觉方向添加一个小型神经网络完成回归。代码如下,要去替换下从github下载的代码。反正只有一个python文件。
2024-08-10 19:09:04 130
原创 利用pytorch梯度下降法,求解张量的cp分解,通过因子矩阵来访问张量。
【代码】利用pytorch梯度下降法,求解张量的cp分解,通过因子矩阵来访问张量。
2024-07-23 09:11:47 128
原创 latex的论文开头,包含了图片处理,记录下
includegraphics[width=\linewidth]{/home/zhouluo/PycharmProjects/pythonProject/nerf/data/nerf_synthetic/lego/train/r_1.png} % 插入第二张图片,注意这里应该是不同的图片路径。\begin{subfigure}[b]{0.25\textwidth} % 设置每张图片的宽度为文本宽度的45%,留出一些空间避免过挤。\label{fig:lego_example2} % 第二张图片的标签。
2024-07-21 14:04:18 317
原创 张量的cp分解,并通过分解后的因子矩阵中的向量来实现访问
coordinates = (2, 1, 0) # 对应tensor[1, 1, 1]# 预测函数,直接从因子矩阵计算特定坐标的值。# 将张量转换为tensorly支持的格式。# 使用给定的坐标预测原始张量中的值。# 执行CP分解,设定rank为2。# 打印分解得到的因子矩阵。# 创建给定的3D张量。
2024-07-21 08:27:32 242
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人