YuQiao0303的博客

ShapeNetV2, 所有55个categories来train GPT；但在chair，table，bench和lamp这四个类别上finetune。AutoEncoder用了2 A100, 2 days。transformer用了4 A100, 5 days。

重点是提出两个指标：Perceptual path length和linear separability提出一种GAN的generator 架构（按分辨率coarse to fine的）不将z作为网络的输入，而是将learned constant + scaled noise作为输入，将z处理后作为style，即instance normalization（AdaIN）的scale和bias；style的获得。

项目主页：https://www.mmlab-ntu.com/project/meshinversion/方法名称：MeshInversion输入：单目图像 （in the wild，有背景的，没有抠图的）输出：textured 3D meshkey challenge: 缺少3D或multiview supervision方法核心：先预训练一个3D GAN ，可以从latent code z生成textured mesh。然后在inference的时候，从输入的图片倒推最符合的z。（这是一个in

暂未开源方法：2 stagestage 1： get instance输入：场景点云输出：(point-wise) semantic labels， instance center offsets， rotation angles方法：略stage 2: mesh reconstruction输出：(proposal wise) residual bounding boxes, confidence scores, latent distributions of complet meshes方法：

Project page: https://nvlabs.github.io/nvdiffrec/github项目名称叫 nvdiffrec整体看起来跟nurf一样是对单个物体（单个场景）训练的。输入： multi-view images, 相机位姿，背景分割mask（不知道光照情况）。输出： triangle meshes, texture, lighting输入： multi-view images, 相机位姿，背景分割mask（不知道光照情况）。输出： triangle meshes,

核心本文提出了一种3D图形的表示方法，并给出了得到他的网络架构和训练方法。用decision boundary 来表示物体的表面。这个方法贼好，放在2D类比，就像像素图和矢量图，矢量图是精度是无限的，但又不会耗费额外的内存。（对啊，早该想到啊，怎么会2019年才出来。。。既然2D可以有矢量图，3D就不能吗）具体一点，一个物体用一个occupancy function 来表示：注意，是实数空间，不是离散的按一定分辨率取样的。然后用一个神经网络来逼近这个函数，给每个实空间的3D点一个0-1之间

输入：1或多张单个物体任意视角的图片 （encode成一个latent code）输出：3D occupancy grid （323232）loss: sum of voxel-wise 交叉熵。（虽然代码和这个有差别）官方代码：非官方torch代码：https://rohitgirdhar.github.io/GenerativePredictableVoxels/关于autoencoder的ablation study：第16页， table 2 （FIg.7 里面其实没有消融实验, su

任务：粗略体素几何体的精细化输入：粗略体素几何体content作为content，精细体素几何体作为style输出：content的精细化，类似那个style。方法概述reconstruction loss 结果像style: 希望如果拿style降采样后的结果通过网络，可以生成style自己。Ld （discrininator的loss）: 希望生成的结果中，原来有内容的体素，现在还是有内容。 用一个discrininator类似于把generator的结果降采样了，然后判断（降采样后为空的

总览任务：view synthesis： 视图合成。即输入一些同一个静态3D场景的2D照片 with poses，输出任意其他角度的该场景2D图像。方法：用一个mlp网络来表示静态三维场景之后，可以从任意角度该场景渲染为2D图片（视图合成）。用神经辐射场NeRF来表示场景基本思路：从某个视角看这个场景，会看到其颜色。于是将场景表示为视角-颜色的对应关系。FΘ:(x,d)→(c,σ)F_{\Theta}:(\mathbf{x}, \mathbf{d}) \rightarrow(\m

本文是2020.12.02的笔记，于2022.03.08从本人onenote迁移到CSDN相关连接论文网站： https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6022705/#项目网站：http://snap.stanford.edu/decagon/github： https://github.com/mims-harvard/decagon论文内容Introduction多药合用（复方用药，polypharmacy）效果好。但增加了副作用的

arxive论文链接bilibili：作者的讲解核心思想两个核心概念：可微泊松求解器：已知带法向的点云，求出其indicator function（每一点是是在外面还是在里面），继而可通过marching cube求出mesh。（实质是把泊松求解的过程可微化了）SAP：这样，带法向的点云配合可微泊松求解器，就可以作为一种3D shape的representation。比如，传统的neural implicit representation常用occupancy funciton作为3D

参考：https://zhuanlan.zhihu.com/p/35894630目标实时输入RGBD视频流（用Kinect扫描仪获得）实时获得重建的mesh一些参数相机内参：相机坐标系中一点到像素平面的转换方程位姿估计pose estimation：相机坐标系到师姐坐标系的转换矩阵始终在更新全局的：点云，法向TSDF相机位姿流程Measurement （单帧求点云和法向）输入：一帧Kinect的RGBD图像，（相机内参已知）输出：vertex map（也就是点云图）V、nor

本文是阅读以下论文的笔记：[1]密振兴, “基于深度学习的大规模点云表面重建算法研究,” 硕士, 华中科技大学, 2020.局部拟合算法在点的局部邻域内拟合隐式函数。就是说每个点的函数值之和自己的邻域有关。SDF， Signed Destance Function, 符号距离函数总结：到最邻近样本点切平面的有符号距离。输入：点云及其法向。SDF定义： R3R^3R3空间任意一点x，到其最近的样本点pi的距离，加上一个符号（法向为正，反之为负）图示：表面：φ的0等值面。缺点：对法向敏

基于RDF分类器的滑动增长分类：定义并计算了一些点云特征，训练了一个分类器(Randomized Decision Forest Classifier).Over Segment 场景：将整个场景分为一些patch。每个patch 是一些邻近的，发现平滑，距离不超过阈值的点。图中左一，每种颜色的点构成一个patch。计算邻接图G，图的节点是patch们；边的定义是如果两个patch的距离小于定值，就有边。图中左一。先随机选m个三patch组（patch triplets) . 每个triplets

原论文链接本文是大规模聚集性事件的人群建模仿真综述，以朝觐为例。introduction1.1 什么是MG（Mass Gathering）1.2 hajj的简介和其人群管理的挑战1.3 本文组织结构Literature Search Framework文献综述按照 PRISMA guidelines来实施：The PRISMA framework or Preferred Reporting Items for Systematic Reviews and Meta-Analyses (

本文解决的问题：indoor scene construction: 输入室内点云，输出3D模型（instance 粒度）端到端Related work:Shape completion: 补全缺损的但各物体常用点层面的卷积，如pointNet等。Scene completion： 补全场景，主要挑战是物体相互遮挡inpaint depth frames: 深度图补全，常用2D CNNvoxel or TSDF grids 补全，常用3D CNN。instance reco

报错信息如下：The update could not be installed. Please make sure there are no other copies of Zotero running on your computer, and then restart Zotero to try againhttps://forums.zotero.org/discussion/70042/error-the-update-could-not-be-installed根据此文，如果是wind

前言：最初看到的关于查看影响因子的插件有：pubmedy, pubmed plus 和 scholar scope.试了pubmedy，找到的版本没有用。PubMed 是一个提供生物医学方面的论文搜寻以及摘要，并且免费搜寻的数据库。它的数据库来源为MEDLINE。其核心主题为医学，但亦包括其他与医学相关的领域，像是护理学或者其他健康学科。随着PubMed的更新，插件也要及时更新，否则不可用获取最新版本插件的方法：scholarscope官网：https://www.scholarsco.

添加文献（如果是arxiv论文，打开他的arxiv界面，然后直接点浏览器插件即可。）找到一篇文献，先找他的标识号。然后点这个添加。怎么找标识号DOI如果引用里有doi：就是后面这一串10.1109/ICCVW.2019.00494. 注意要包括后面的名字之类。M. Jaritz, J. Gu and H. Su, “Multi-View PointNet for 3D Scene Understanding,” 2019 IEEE/CVF International Conference o

论文：基于多组学数据的癌症分型研究癌症分型：同一种癌症类型的患者表现形状不同，属于不同亚型。区分不同亚型，能提供个性化治疗方案，提高治愈率。组学数据：基因单碱基突变DNA 甲基化拷贝数变异mRNA 基因表达miRNA 基因表达…基本原理：绝大部分癌症是由基因突变驱动异常细胞生长引起的。常用方法：通过各种方式提取特征，再用k-means进行聚类。...

colorectal cancer （CRC）结肠直肠癌.consensus molecular subtypes (CMS) 共识分子亚型首先弄了六个独立的CRC分型算法。（用了不同的数据集和分析方法）。这样每个sample就有六个方法得到的六钟分型标签。六钟方法分别有5,6，3,3，5,5中分型，一共是27种。然后用了一个网络方法来分析6中分型算法的联系：上述27中分型作为图的节点，有权边的值是Jaccard similarity coefficients。 用一个Markov cluster (