目录GlobalIlluminationbasedonSurfels[SIGGRAPH2021]Surfel持久化存储surfel数据组成surfel回收机制Surfelizationscreen-basedplacementAccelerationStructuregridFinalGatheringraygeneration:MSMErayguiding:importancesamplingraytracing:indirectlightingtemporalfilteringirradiancesharingGIBS方案总结GIBS方案流程总览GIBS方案优缺点改进思路参考surfel，
目录PrecomputedProbe预放置probes四面体镶嵌（TetrahedralTessellations）IndirectLightCacheVolumetricLightMap烘焙光照信息SHlighting重建shadingpoint光照信息优缺点DDGI（orRTXGI）动态/预放置probesDDGIvolume探测动态光照信息计算radiance更新probe的irradiance重建shadingpoint光照信息优缺点ScreenSpaceProbe动态放置probesuniformplacementadaptiveplacement探测动态光照信息spatialfil
目录PrecomputedProbe预放置probes四面体镶嵌（TetrahedralTessellations）IndirectLightCacheVolumetricLightMap烘焙光照信息SHlighting重建shadingpoint光照信息优缺点DDGI（orRTXGI）动态/预放置probesDDGIvolume探测动态光照信息计算radiance更新probe的irradiance重建shadingpoint光照信息优缺点ScreenSpaceProbe动态放置probesuniformplacementadaptiveplacement探测动态光照信息spatialfil
Vision框架在2017年推出，目的是为了让行动App开发者轻松利用电脑视觉演算法。具体来说，Vision框架中包含了许多预先训练好的深度学习模型，同时也能充当包裹器(wrapper)来快速执行你客制化的CoreML模型。Apple在iOS13推出了文字辨识(TextRecognition)和VisionKit来增强OCR之后，现在将重点转向了iOS14Vision框架中的运动与动作分类上。在之前的文章中，我们说过Vision框架可以做轮廓侦测(ContourDetection)、光流请求(OpticalFlowRequest)，并提供一系列离线影片处理(offlinevideoproces
Vision框架在2017年推出，目的是为了让行动App开发者轻松利用电脑视觉演算法。具体来说，Vision框架中包含了许多预先训练好的深度学习模型，同时也能充当包裹器(wrapper)来快速执行你客制化的CoreML模型。Apple在iOS13推出了文字辨识(TextRecognition)和VisionKit来增强OCR之后，现在将重点转向了iOS14Vision框架中的运动与动作分类上。在之前的文章中，我们说过Vision框架可以做轮廓侦测(ContourDetection)、光流请求(OpticalFlowRequest)，并提供一系列离线影片处理(offlinevideoproces
论文阅读笔记（五）：Hire-MLP:VisionMLPviaHierarchicalRearrangement摘要先前的MLPs网络接受flattened图像patches作为输入，使得他们对于不同的输入大小缺乏灵活性，并且难以捕捉空间信息，本问Hire-MLP通过层次化重排构建视觉MLP架构，包含两个层次的重排。其中，区域内重排是为了捕获空间区域内的局部信息，跨区域重排是为了实现不同区域之间的信息通信，并通过沿空间方向循环移动所有标记来捕获全局上下文。大量的实验证明了Hire-MLP作为多种视觉任务的通用骨干的有效性。特别是，Hire-MLP在图像分类、目标检测和语义分割任务上取得了具有竞
论文阅读笔记（五）：Hire-MLP:VisionMLPviaHierarchicalRearrangement摘要先前的MLPs网络接受flattened图像patches作为输入，使得他们对于不同的输入大小缺乏灵活性，并且难以捕捉空间信息，本问Hire-MLP通过层次化重排构建视觉MLP架构，包含两个层次的重排。其中，区域内重排是为了捕获空间区域内的局部信息，跨区域重排是为了实现不同区域之间的信息通信，并通过沿空间方向循环移动所有标记来捕获全局上下文。大量的实验证明了Hire-MLP作为多种视觉任务的通用骨干的有效性。特别是，Hire-MLP在图像分类、目标检测和语义分割任务上取得了具有竞
refer:ANewEllipticCurveBasedAnalogueofRSA椭圆曲线令p和q是素数，都大于3。并且满足\(4a^3+27b^2\not\equiv0\pmod{p}\)。用\(E_p(a,b)\)表示模p参数为a,b的椭圆曲线。\(y^2\equivx^3+ax+b\pmod{p}\)。椭圆曲线的加法计算定义为\[P+Q=R\tag1\]设\(P=(x_1,y_1)，Q=(x_2,y_2)，R=(x_3,y_3)\)\[x3\equiv\lambda^2-x_1-x_2\mod{p}\tag2\]\[y_3\equiv\lambda(x_1-x_3)-y_1\pmod{p
refer:ANewEllipticCurveBasedAnalogueofRSA椭圆曲线令p和q是素数，都大于3。并且满足\(4a^3+27b^2\not\equiv0\pmod{p}\)。用\(E_p(a,b)\)表示模p参数为a,b的椭圆曲线。\(y^2\equivx^3+ax+b\pmod{p}\)。椭圆曲线的加法计算定义为\[P+Q=R\tag1\]设\(P=(x_1,y_1)，Q=(x_2,y_2)，R=(x_3,y_3)\)\[x3\equiv\lambda^2-x_1-x_2\mod{p}\tag2\]\[y_3\equiv\lambda(x_1-x_3)-y_1\pmod{p
论文阅读笔记（五）：Hire-MLP:VisionMLPviaHierarchicalRearrangement摘要先前的MLPs网络接受flattened图像patches作为输入，使得他们对于不同的输入大小缺乏灵活性，并且难以捕捉空间信息，本问Hire-MLP通过层次化重排构建视觉MLP架构，包含两个层次的重排。其中，区域内重排是为了捕获空间区域内的局部信息，跨区域重排是为了实现不同区域之间的信息通信，并通过沿空间方向循环移动所有标记来捕获全局上下文。大量的实验证明了Hire-MLP作为多种视觉任务的通用骨干的有效性。特别是，Hire-MLP在图像分类、目标检测和语义分割任务上取得了具有竞
