最近开始接触基于深度学习的渲染，记录下阅读过的论文。欢迎交流。 这篇论文的主要作者来自法国Inria（国家信息与自动化研究所）。发表在ACMTransactionsonGraphics。 本文主要介绍了一种使用辐射场（RadianceFieldmethods）进行新视角合成的方法：Gaussiansplatting（也有描述说这种方法已经很早就有，只是2023年有了加速以及效果好才火起来，我们暂且留坑，以后再关注历史），可以进行快速（30fps）且高质量（1080p）的场景重建。本文的创新点：1.使用3D高斯表达场景，以优化空间使用和计算效率；2.通过交错优化和密度控制，尤其是各向异性协方差，
文章目录一、前言二、双边滤波(Bilateralfilter)2.1双边滤波的理论介绍及公式推导2.2双边滤波的matlab程序实现三、导向滤波(GuidedFliter)3.1导向滤波的理论介绍及公式推导3.2导向滤波matlab代码实现四、滚动导向滤波(RollingGuidedFilter)4.1滚动导向滤波的理论介绍及公式推导4.2滚动导向滤波matlab程序实现五、总结一、前言滤波作为最基础的图像处理手段之一，在图像处理领域占有重要位置，常被用于图像去噪、尺度分解等。从均值滤波到滚动导向滤波，滤波不断朝着精准分离图像中不同尺度信息的方向前进。我在文中整理了双边滤波、导向滤波、滚动制导
我一直在关注一本关于使用D3D11进行游戏编程的基础知识的书。我现在了解Direct3D的绝对基础知识:)但是……我有一个问题。在书中，我总是不得不一次制作一个演示。现在，我正在尝试用它制作2D游戏。因为我不想习惯坏习惯所以我需要你的建议。在书中，我总是必须定义一个(结构VertexPos与texcoord和位置成员)或(结构VertexPos只有一个XMFLOAT3位置成员)。在我制作的游戏中，我希望能够绘制没有纹理的实体表面和有纹理的表面。我不确定如何做到这一点，更不用说高效地做到这一点了。这是我的渲染函数:voidGameSpriteDemo::Render(){if(m_pD3
GS-IR:3DGaussianSplattingforInverseRendering概要intro总结相关工作InverseRenderingpreMethodnomal的重建深度生成法线推导间接照明建模内在的分解实验比较消融研究概要会有自己的理解PS，不保证正确，欢迎评论中指出错误。我们提出了一种基于3D高斯溅射(GS)的新型反向渲染方法GS-IR，它利用前向映射体渲染forwardmappingvolumerendering来实现逼真的新视图合成和重照明结果。与先前使用隐式神经表征和体绘制(例如NeRF)的工作不同，这些工作具有低表达能力和高计算复杂性，我们扩展了GS，这是一种用于新视
我已经开始创建一个与绘图板交互的绘图程序。根据笔在数位板上的压力，我更改了正在绘制的线条的alpha值。该机制有效。细线看起来不错，看起来像一个真实的素描。但是因为我在两点之间画线(就像在Qt涂鸦教程中一样)来绘画，所以线接头之间有一个alpha重叠，并且对于粗笔画来说非常明显。这是线对线连词的效果:如您所见，线段之间存在难看的alpha混合。为了解决这个问题，我决定使用QPainterPath来渲染线条。这有两个问题:长的、连续的、粗的路径很快就会滞后于程序。由于路径是相连的，所以它作为一个路径起作用，所以对alpha值的任何更改都会影响整个路径(我不想这样做，因为我想保留混合效果)
3DGS其一：3DGaussianSplattingforReal-TimeRadianceFieldRendering1.预备知识1.1球谐函数1.2Splatting1.3α\alphaαblending1.4多维高斯的协方差矩阵1.4.1高斯与椭球体的关系1.4.2世界坐标系下的三维高斯到二维像素平面投影过程2.3DGaussianSplatting2.1特点2.2流程与关键步骤2.2.1场景表达2.2.2整体流程2.3算法伪代码2.3.1整体流程伪代码2.3.2光栅化伪代码Reference：深蓝学院：NeRF基础与常见算法解析GitHub:gaussian-splatting原文官网
@ARTICLE{10105495,author={Li,HuiandXu,TianyangandWu,Xiao-JunandLu,JiwenandKittler,Josef},journal={IEEETransactionsonPatternAnalysisandMachineIntelligence},title={LRRNet:ANovelRepresentationLearningGuidedFusionNetworkforInfraredandVisibleImages},year={2023},volume={45},number={9},pages={11040-11052},
论文基本信息：发布于CVPR2021创新点论文介绍了一种具有神经SDF的复杂几何实时渲染方法。论文提出了一种神经SDF表示，可以有效地捕获多个LOD，并以最先进的质量重建3D几何图形。论文中的架构可以以比传统方法具有更高视觉保真度的压缩格式表示3D形状，并且即使在单个学习示例中也能跨不同几何图形进行泛化。背景：直接渲染神经sdf，可以使用寻根算法（如球面追踪），进行光线跟踪。Pipeline：SDF的表现形式：d=f(x)是点x到体积M的表面S的最短符号距离，符号表示的x在M的内部或外部。使用与标准的SDF类似，使用神经网络的参数和编码形状的附加学习输入特征来表示SDF。（使用包含特征向量集合
感谢B站意の茗的讲解。论文地址：https://arxiv.org/abs/2308.04079项目主页：https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/概述从已有点云模型出发（sfm），以每个点为中心建立可学习的3D高斯表达，Splatting方法进行渲染，实现高分辨率实时渲染。（推动NERF加速方向）能用训练好的点云在windows上进行实时渲染。随机初始化点云，不提供初始点云也行，在训练过程中可以对点云进行生长和修剪。（一般NeRF需要从COLMAP计算相机位姿，此时已经得到初始点云。）用instant-NGP的速度，实现
论文题目：DemoSG:Demonstration-enhancedSchema-guidedGenerationforLow-resourceEventExtraction论文来源：EMNLP2023论文链接：2023.findings-emnlp.121.pdf(aclanthology.org)代码链接：https://github.com/GangZhao98/DemoSG0摘要当前大多数事件抽取（EE）方法都专注于高资源场景，这需要大量的带注释数据，难以应用于低资源领域。为了更有效地应对有限资源下的EE问题，我们提出了增强演示引导生成（DemoSG）模型，它从两个方面为低资源EE提供
