- 博客(74)
- 收藏
- 关注
RSS订阅原创 什么是CRA？
摘要： CRA（主光线角）是影响成像质量的关键参数，指光线进入传感器的最大有效角度。镜头与传感器的CRA需匹配（偏差≤3°），若镜头CRA＞传感器CRA会导致色彩偏移（Color Shading），反之则引发亮度不均（Luma Shading）。传感器微透镜通过调整位置优化光线接收，而Quadra像素因位置差异需通过串扰校准消除感光不均。设计建议优先使镜头CRA略小于传感器CRA，并结合软硬件补偿优化边缘像素性能，尤其在短焦距手机镜头中需重点关注CRA随像高的动态变化。
2026-05-11 22:58:23
429
原创 Extended Kalman Filter
扩展卡尔曼滤波(EKF)通过雅可比矩阵对非线性系统进行局部线性化，将标准卡尔曼滤波框架应用于非线性问题。其核心是对非线性函数进行一阶泰勒展开近似，分为预测和更新两个阶段：预测阶段使用非线性方程及其雅可比矩阵计算状态估计，更新阶段则利用测量函数雅可比矩阵修正状态。然而EKF存在局限性，包括因高阶项截断导致的精度损失，以及在强非线性系统中可能出现的估计偏差。为克服这些缺陷，后续发展出无迹卡尔曼滤波(UKF)等改进方法。EKF仍是处理非线性系统最经典的方法，特别适用于弱非线性场景。
2026-04-01 22:01:30
403
原创 Kalman Filter
卡尔曼滤波是一种高效的递归滤波算法，用于从含噪声的测量数据中估计动态系统状态。其核心思想基于预测-更新两步骤：首先根据系统模型预测当前状态，再结合实际观测值进行修正。算法融合了马尔科夫模型的无后效性和贝叶斯定理的概率推理，通过状态转移方程和观测方程构建高斯分布模型，利用卡尔曼增益不断优化状态估计。该方法适用于线性系统，对非线性系统则需扩展卡尔曼滤波。卡尔曼滤波在卫星追踪、经济预测、自动驾驶等领域具有重要应用价值，能有效处理测量中的不确定性。
2026-03-31 21:43:50
364
原创 RMSNorm
本文对比了LayerNorm和RMSNorm两种归一化方法。LayerNorm通过计算输入向量的均值和方差进行归一化，再通过可学习参数进行缩放和平移。而RMSNorm采用简化设计，仅计算均方根（RMS）进行归一化，通常省略偏置参数，降低了计算复杂度。两者的主要区别在于：RMSNorm省去了均值中心化步骤，提升了训练效率和数值稳定性，特别适合大规模语言模型。实验表明，RMSNorm在保持模型性能的同时减少了参数量，被广泛应用于LLaMA等现代大语言模型中。
2026-03-25 12:23:20
352
原创 Black Level Correction,BLC
黑电平(BL)是图像传感器在无光照时的暗电流值，用于校正图像暗部细节。ISP通过黑电平校正(BLC)减去OB值和基底来优化图像质量。若OB值扣除不当，会导致图像偏色：多扣会使图像偏绿，少扣则偏紫。正确的OB值扣除对保证白平衡准确至关重要，确保R=G=B以实现色彩准确还原。
2026-03-24 16:10:46
374
原创 Chromatic abberation correction,CAC
色差校正技术(CAC)是解决光学系统色散现象的关键方法。色差分为纵向色差(不同波长光线焦点位置不同)和横向色差(成像放大率差异)，会导致图像边缘出现彩色镶边。硬件校正采用复消色差透镜(APO)、对称式光学设计及消色差透镜组(正负透镜组合)等技术。软件层面通过ISP模块在图像处理流水线中实现，包括去紫边算法和边缘色彩抑制等方法。阿贝数作为衡量材料色散特性的重要参数，其计算公式为νd=(nd-1)/(nF-nC)，其中nd、nF、nC分别对应不同波长光的折射率。
2026-03-24 12:51:03
379
原创 什么是Hue？
因为HSL和HSV是设备依赖的RGB的简单变换，(h,s,l)或 (h,s,v)三元组定义的颜色依赖于所使用的特定RGB“加法原色”。
2026-03-23 22:17:37
683
原创 VST变换
摘要 本文系统介绍了VST（方差稳定变换）在图像去噪中的应用，重点分析了泊松噪声和泊松-高斯混合噪声的处理方法。VST通过非线性变换将信号相关的噪声转化为方差稳定的高斯噪声，便于使用现有去噪算法。对于纯泊松噪声，采用Anscombe变换及其无偏逆变换；对于混合噪声，则使用广义Anscombe变换。文章详细阐述了正/逆变换的数学原理，特别讨论了代数逆和有偏逆的区别。最后指出，经VST处理后可采用BM3D等成熟算法去噪，为图像处理提供了模块化解决方案。该方法在低光成像、医学影像等领域具有重要应用价值。
2026-03-21 13:44:23
422
原创 LUT(Look-Up-Table)
LUT（查找表）是一种基于数学算法的色彩映射工具，通过预设的RGB值对应关系快速调整图像色彩效果。主要分为1DLUT和3DLUT两种类型：1DLUT独立处理RGB通道，适合简单亮度调整；3DLUT则能精确控制色相、饱和度等复杂参数，实现专业级调色。用户可通过专业软件创建自定义LUT，流程包括素材调色、参数封装、导出测试等步骤，最终生成可重复使用的.cube格式文件。LUT广泛应用于影视后期、摄影修图等领域，是高效实现统一视觉风格的重要工具。
2026-03-19 14:56:04
504
原创 DINO v2
本文提出了一种基于大规模自监督学习的视觉基础模型DINOv2。研究通过构建1.42亿张图像的LVD-142M数据集，结合改进的自监督训练方法（融合DINO、iBOT和SwAV等技术），训练出10亿参数的ViT模型。关键创新包括：自动化数据筛选流程、高效训练优化（序列打包、改进的随机深度等）以及模型蒸馏技术。实验表明，DINOv2在图像分类、分割等多项任务上超越了现有最佳模型OpenCLIP，且无需微调即可获得通用视觉特征。该工作为构建类似NLP基础模型的视觉系统提供了可行路径。
2026-02-11 23:02:26
866
原创 多进程代码模版
本文介绍了Python中多进程编程的几种实现方式，重点讲解了multiprocessing模块的spawn启动方法及其适用场景。文章对比了fork、forkserver和spawn三种启动方式的区别，详细说明了使用Process和Pool创建多进程的具体步骤。通过代码示例演示了Pool.map()、Pool.map_async()、Pool.apply()和Pool.apply_async()等方法的用法与特点，分析了并行执行可能比串行更慢的原因（进程创建开销和通信代价），并提出了优化建议：增加任务复杂度、
2026-02-05 21:18:53
851
原创 大模型幻觉
幻觉这一概念源自病理学和心理学领域，并被定义为对现实中不存在的实体或事件的感知。在神经语言程序学（NLP）的范畴内，幻觉通常被描述为一种现象，即所生成的内容毫无意义或与所提供的原始内容不符。这一概念与人类心理学中观察到的幻觉现象有一定程度的相似性。内在幻觉和外在幻觉。内在幻觉涉及与所提供的原始上下文直接相冲突的模型输出。另一方面，外在幻觉涉及无法通过所提供的原始上下文或外部知识库进行验证的输出。这意味着生成的文本既未得到现有信息的支持，也未与之直接相矛盾，因此其结果无法验证，还可能具有误导性。
2026-02-04 15:14:10
889
原创 CNN的底层实现方式
卷积操作的实现主要有两种方式：直接卷积（滑动窗口）和im2col+矩阵乘法。直接卷积通过滑动卷积核，逐元素相乘求和得到输出特征图，概念简单但效率较低。im2col方法将输入特征图的局部区域展平为列向量，与展平的卷积核矩阵相乘，利用优化的矩阵乘法库大幅提升计算效率，成为主流实现方式。深度学习框架会根据具体情况选择最优方案，通常大规模数据优先采用im2col方法。
2026-02-03 21:06:46
366
原创 四、CUDA排序算法实现
本文介绍了CUDA/C++编程中的关键函数修饰符和内存管理技术，重点讨论了基数排序算法在CPU和GPU上的实现差异。在CUDA方面，详细讲解了__shared__、constant__等内存修饰符和__global、__device__等函数修饰符的用法。通过基数排序案例，对比了CPU单线程实现与GPU多线程优化的不同方法，包括内存访问模式优化、并行合并策略等。特别分析了GPU版本如何利用共享内存、原子操作等技术提升性能，并探讨了合并排序列表时的线程协作问题。文章展示了如何将传统算法移植到GPU架构，并针对
2026-02-02 17:34:33
753
原创 三、CUDA内存
本文探讨了计算机系统中高速缓存和内存访问的优化策略。首先阐述了程序执行的时间局部性原则，指出CPU与DRAM之间的速度差异导致内存带宽瓶颈。然后详细介绍了多级缓存体系结构，包括CPU的L1/L2/L3缓存和GPU的SM共享缓存机制。重点分析了GPU的存储层次：寄存器提供最快访问，共享内存作为可控的一级缓存，常量内存支持广播读取，全局内存实现设备间通信。文章还比较了CPU和GPU在寄存器管理和线程调度上的差异，指出GPU通过大规模线程并行和零开销上下文切换来隐藏延迟。最后介绍了CUDA编程中各种内存类型的声明
2026-01-31 14:24:22
869
原创 二、GPU线程
本文摘要：GPU采用线程网格→线程块→线程的三层组织结构，实现高效并行计算。线程是基本构建块，32个线程组成线程束作为执行单元，多个线程束构成线程块并共享内存。GPU与CPU的关键区别在于：CPU擅长处理少量复杂任务，而GPU专为大量简单任务设计。GPU通过零负载线程切换和SIMD架构实现高效数据并行。CUDA编程模型通过内核函数将循环并行化，利用线程索引实现数据映射。线程块布局影响内存访问效率，长方形布局比正方形更优。GPU的硬件结构包含多个流多处理器(SM)，每个SM可同时执行多个线程束，通过上下文切换
2026-01-29 20:25:05
665
原创 一、GPU硬件结构
本文系统介绍了现代计算机架构的发展历程与关键技术。首先阐述了冯·诺依曼架构的核心原理及其多级缓存体系（L1-L3缓存）的优化机制。其次分析了连接机的SIMD并行处理理念及其在现代CPU和GPU中的应用。接着详细探讨了Cell处理器的混合架构设计，包括其PowerPC主核与SPE协处理器的协作模式及通信瓶颈。然后比较了PC集群和GPU集群的分布式计算特点，指出通信开销是主要性能限制。最后深入解析了GPU的SIMT架构、流处理器簇组成及其作为协处理器的工作机制。全文通过对比不同架构，揭示了计算机系统从串行到并行
2026-01-29 02:08:51
678
原创 SUPIR 模型简介
SUPIR是一种基于大规模扩散模型的智能图像修复方法，通过三个关键创新提升修复效果：1）采用Stable Diffusion-XL作为生成先验并设计6亿参数适配器；2）构建2000万高质量图像数据集并引入多模态文本指导；3）提出恢复导向采样算法平衡生成与重建。方法包含抗退化编码器微调、改进的ControlNet适配器设计，以及结合LLaVA语言模型实现文本引导修复。实验表明SUPIR能有效理解图像内容并保持修复保真度，但多模态指令感知能力仍有提升空间。
2026-01-22 15:56:48
677
原创 量化模型的映射方式
本文介绍了浮点模型量化的主要方法，重点对比了饱和式与非饱和式量化、线性与非线性量化的特点。饱和式量化通过阈值截断处理数据范围，而非饱和式直接映射最大值；线性量化采用固定间隔划分，包括对称和非对称两种形式，而非线性量化使用变间隔划分以提高小信号精度。文章还详细阐述了浮点与定点数据的转换公式，指出模型量化通常是将32位浮点数转换为8位整数，并分析了不同量化策略的数学原理和应用场景。
2026-01-21 14:55:42
654
原创 浮点模型量化
模型量化是一种将高精度浮点数(FP32/FP16)转换为低比特整数(INT8/INT4)的技术，可显著减少模型大小、内存消耗和计算延迟。主要量化对象包括权重、激活值、KV缓存和梯度。量化方法分为QAT(量化感知训练)和PTQ(训练后量化)：QAT通过训练阶段模拟量化误差，精度较高但实现复杂；PTQ则分为静态和动态两种方式，静态量化需要校准数据，动态量化则实时调整参数。量化能带来3倍以上的计算加速和4倍内存节省，但在低比特(如4位)下可能产生较大精度损失。不同任务需选择合适的量化策略，在模型大小、精度和性能间
2026-01-20 16:18:39
701
原创 BLIP系列综述
BLIP系列模型是视觉语言预训练的重要框架。BLIP首创多模态混合编码器-解码器(MED)结构和字幕过滤(CapFilt)方法，实现视觉语言理解和生成的统一。BLIP-2引入轻量级Querying Transformer(Q-Former)桥接冻结的图像编码器和语言模型，分两阶段预训练。InstructionBLIP在此基础上加入指令感知特征提取机制，提升任务适应性。最新的BLIP-3简化结构为视觉token采样器，采用多阶段训练策略，支持任意分辨率和多图像输入。该系列通过持续创新，在视觉语言任务上展现出强
2026-01-09 15:57:44
623
原创 BLIP-3
本文提出了BLIP-3框架，这是一个开放的大型多模态模型(LMM)开发系统。该框架包含4B和14B参数模型，采用简化架构设计，使用视觉token采样器替代Q-Former，并优化训练目标。研究重点在于数据整理和规模扩展，新发布了三个大规模数据集：BLIP3-OCR-200M、BLIP3-GROUNDING50M和BLIP3-OCR-HD-30M。模型经过两阶段预训练和微调，支持任意分辨率图像处理和多图像交错输入。实验表明，BLIP-3在同类开源模型中表现优异。研究开源了模型、数据集和训练代码，旨在促进LMM
2026-01-05 16:56:24
993
原创 Reinforcement Learning from Human Feedback,RLHF
语言模型更大并不能使它们更好地遵循用户的意图。例如，LLM可能生成不真实的、有害的或对用户没有帮助的输出。换句话说，这些模型与它们的用户没有对齐。在本文中，通过使用人类 反馈进行微调，在广泛的任务中使语言模型跟用户意图对齐。从一组标记器编写的提示和通过OpenAI API提交的提示开始，我们收集了一个数据集，它标注表示的是期望的模型行为，然后使用这个数据集对GPT-3进行有监督学习，进行模型微调。然后我们收集对模型输出进行排名的数据集，使用人类反馈进行强化学习来进一步微调这个有监督的模型。
2025-12-18 18:55:08
1063
原创 Flaminggo
通过构建少量标注示例使得模型能够迅速适应新任务，这是多模态机器学习研究中的一项开放性挑战。我们推出了 Flamingo 这一系列具备这种能力的视觉语言模型（VLM）。我们提出了关键的结构创新：（i）将强大的预训练纯视觉模型和纯语言模型相连接；（ii）处理任意交错的视觉和文本数据序列；（iii）无缝地将图像或视频作为输入。得益于其灵活性，Flamingo 模型能够在包含任意交错文本和图像的大规模多模态网络语料库上进行训练，这是赋它们在上下文中few-shot学习能力的关键。
2025-12-17 19:14:54
1046
原创 InstructionBLIP
本文提出InstructBLIP框架，通过视觉语言指令微调实现通用多模态模型。研究基于预训练的BLIP-2模型，收集26个公开数据集转换为指令格式，涵盖11类任务。关键创新包括指令感知的视觉特征提取机制和平衡训练策略。实验表明，在13个held-out数据集上均达到最先进的zero-shot性能，显著优于BLIP-2和Flamingo模型。特别在ScienceQA任务上取得90.7%准确率。研究证实指令微调（而非多任务学习）是提升zero-shot泛化能力的关键因素。所有模型均已开源，为多模态AI发展提供了
2025-12-16 15:19:33
896
原创 BEIT简介
本文提出BEIT模型，受BERT启发将掩码语言建模思想应用于视觉Transformer预训练。方法包含两种图像表示：图像块作为输入，视觉标记作为输出目标。通过离散变分自编码器学习视觉标记字典，在预训练时随机屏蔽图像块，让模型预测被屏蔽区域的视觉标记。预训练完成后，通过在BEIT上添加任务层并进行微调，可应用于图像分类和语义分割等下游视觉任务。该方法有效解决了直接将BERT风格预训练应用于图像数据的挑战，避免了像素级恢复带来的模型能力浪费问题。
2025-12-08 18:12:36
959
原创 图像退化模型
本文探讨了图像超分辨率任务中的模糊核问题。传统超分任务假设模糊核为预设的双三次下采样核，而实际退化过程复杂多样，导致"核不匹配"问题：预设核过弱会产生模糊结果，过强则产生振铃伪影。为解决这一问题，研究提出了多种模糊核建模方法：1）高斯模糊核，包括各向同性和各向异性变体；2）广义高斯分布，通过形状参数β控制分布形态；3）随机二元高原核，通过组合不同类型高原核增强退化多样性。文中详细阐述了这些核的数学定义、参数设置和实现方法，并提供了对应的Python代码实现。这些方法为盲超分任务提供了更贴
2025-12-05 13:36:39
1103
原创 Camera ISP
本文系统介绍了数字图像处理中的关键技术。首先阐述了CCD与CMOS传感器的成像原理及差异，重点分析了全局快门与卷帘快门的特性。随后详细讲解了RAW与YUV两种图像数据格式的特点及应用场景。在算法处理方面，深入探讨了黑电平校正、自动白平衡、去噪、超分辨率重建、Demosaic等核心技术的原理与实现方法。特别对HDR成像技术进行了全面分析，包括多帧合成和单帧实现方案。此外，还介绍了图像配准算法、色调映射、镜头阴影校正和颜色校正矩阵等关键技术。全文从传感器物理特性出发，贯穿整个图像处理流程，为数字图像处理领域提供
2025-11-23 20:14:44
1193
原创 Just Image Transformers，JiT
摘要：本文重新审视扩散生成模型的设计范式，指出当前主流方法偏离了直接预测干净图像的原始目标。基于流形假设，研究提出x-预测方法能更高效地处理高维数据，而传统ϵ/v预测在高维空间易失效。实验表明，纯视觉Transformer架构结合x-预测在ImageNet多个分辨率下均表现优异（256×256 FID=4.37），且无高维灾难性退化。大模型在更高分辨率下优势更明显（512×512 JiT-G FID=1.78）。该研究为扩散模型在高维空间的优化提供了新思路。
2025-11-21 18:46:31
1707
原创 BLIP-2
BLIP-2提出了一种高效的视觉语言预训练方法，通过轻量级Querying Transformer（Q-Former）桥接冻结的图像编码器和语言模型。Q-Former包含共享自注意力层的图像和文本Transformer模块，使用32个可学习查询提取视觉特征。训练分为两阶段：第一阶段联合优化图像对比学习、生成和匹配任务；第二阶段将查询嵌入投影后作为软提示输入冻结LLM，引导生成语言。该方法通过信息瓶颈机制传递关键视觉信息，有效缓解多模态对齐中的灾难性遗忘问题，支持解码器和编码器-解码器两类LLM架构。
2025-11-20 09:43:28
835
原创 MoE/Sparsely-Gated MoE
混合专家模型（MoE）由Jordan和Jacobs于1991年提出，其核心是通过多个专业化子模型（专家）处理不同任务，由门控网络分配权重。近年随着稀疏门控机制与Transformer结合（如GPT-4、SwitchTransformer），MoE技术焕发新活力。关键进展包括：1）Google的SwitchTransformer（1571B参数）展示更高效率；2）GShard首次将MoE拓展到Transformer，采用top-2门控和跨设备分片；3）SwitchTransformer简化路由算法，采用单专家
2025-11-19 15:10:52
819
原创 旋转位置编码（Rotary Position Embedding，RoPE）
本文介绍了旋转位置编码(RoPE)技术及其在提升Transformer模型性能方面的应用。RoPE通过旋转矩阵将相对位置信息融入自注意力机制，兼具绝对和相对位置编码的优点，具有长度灵活、距离衰减和线性兼容三大优势。文章详细阐述了RoPE的工作原理，包括复数表示、二维和多维空间的旋转矩阵实现方式，并与其他位置编码方法（如正弦编码和可学习嵌入）进行了比较。RoPE已被成功应用于LLaMA、GLM等流行模型中，特别适合处理具有明显顺序依赖性的任务。
2025-11-13 22:10:48
996
原创 Diffusion VS Flow Matching
在生成模型领域，和是两种重要的生成方法，它们在建模数据分布和样本生成上有不同的技术路径。Flow Matching 和Diffusion是很像的，很多时候是等价的。比如，Flow Matching使用Euler的采样等价于使用DDIM采样器的Diffusion。
2025-11-10 21:30:06
1070
原创 Uformer
Uformer是一种基于Transformer的图像修复模型，将U-Net的卷积层替换为LeWin Transformer块，适用于去噪、去雨等多种任务。其核心创新包括：1）LeWin Transformer采用基于窗口的自注意力降低计算量，并加入深度卷积增强局部特征；2）通过三个跨层连接实现编码器-解码器信息传递。模型包含多层编解码结构，每层通过下采样/上采样变换特征图尺寸，并采用残差连接输出最终结果。实验证明该模型在多种图像修复任务中表现优异。关键创新点是融合了窗口注意力机制和局部卷积，兼顾全局和局部特
2025-11-03 15:38:49
1046
原创 传染病传播模型统计
本文介绍了传染病传播的几种数学模型。首先讨论了SI模型（仅含易感者S和感染者I），分析表明最终全部人群都会被感染。其次研究SIS模型（含康复后可再感染者），指出当基本再生数R0>1时疾病会持续传播。然后探讨SIR模型（含获得永久免疫者），指出所有感染者最终都将康复。最后分析了总人口变化的Endemic SIR模型和SEIR模型（含潜伏期者E），讨论不同参数下疾病灭绝或持续传播的条件。这些模型通过微分方程描述了传染病传播的动态过程，为预测疫情发展提供了理论依据。
2025-10-18 13:38:48
1073
原创 RAE——VAE的终结者
在视频或者图像生成领域，SD 架构占据主导位置，目前多数模型都依赖VAE构建潜空间，然后在潜空间中进行扩散。而RAE的提出将终结VAE构建潜空间的时代。RAE探索用预训练的表示编码器（例如 DINO、SigLIP、MAE）与训练好的解码器相结合来替代变分自编码器（VAE），形成了表示自编码器（RAE）。这种模型既能实现高质量的重建，又能提供语义丰富的潜空间，同时具备可扩展的 Transformer 架构特性。
2025-10-15 19:02:46
1301
原创 视频模型的主流结构
本文概述了视频处理中的主流深度学习架构。双流网络通过引入光流提取时序信息，将RGB和光流分别处理；3D卷积直接学习时空特征但参数量大，I3D通过扩展2D网络结构解决了这一问题；R(2+1)D将3D卷积分解为空间和时间卷积以降低复杂度；视频Transformer（如TimeSformer和VideoSwin）则采用自注意力机制处理时空信息。这些方法各有优势，在视频分类等任务中展现出色性能。
2025-10-14 15:35:32
1444
原创 开源多模态模型——Molmo
开源多模态模型Molmo通过全栈开源方案突破技术垄断，其核心创新在于构建了高质量数据集PixMo（包含712k详细图像标注和2.3M点标注数据）和优化训练策略。采用标准架构（ViT编码器+LLM）配合重叠裁剪、注意力池化等改进，显著提升细粒度理解能力。两阶段训练流程（预训练+混合微调）在20+基准测试中表现优异，为开源社区提供了不依赖合成数据的VLM研发新范式。
2025-10-13 15:15:09
1230
原创 DINO简介
本文研究了自监督预训练对Vision Transformer（ViT）特征的影响，提出了一种名为DINO的无标签自蒸馏方法。研究发现，自监督ViT特征具有独特性质，其自注意力图能准确捕捉物体轮廓，效果接近专业分割方法。DINO延续了BYOL框架，通过引入centering操作实现ViT的稳定训练。实验表明，动量编码器、multi-crop数据增强和更小的ViT patches对性能提升至关重要。该工作为自监督ViT在计算机视觉中的应用提供了新思路。
2025-09-25 13:28:53
568
原创 强化学习简介
本文介绍了强化学习的基本概念和要素。强化学习涉及智能体与环境交互，通过状态、动作、奖励等要素进行学习和决策。智能体通过策略（确定性或随机性）选择动作，环境根据动作改变状态并反馈奖励。文章阐述了马尔可夫决策过程、轨迹、总回报（折扣回报）等概念，并详细讨论了目标函数（最大化期望回报）和值函数（状态值函数和Q函数）。值函数用于策略评估和优化，通过贝尔曼方程进行迭代计算。强化学习的目标是找到最优策略以获得最大长期回报。
2025-09-24 18:59:16
1550
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