参考教程：ScriptableRenderFeatureUnity版本：2019.4搭建URP场景RenderFeature作用是支持SRP扩展自定义渲染pass，因此需要在SRP下使用，这里选择URP，在packagemanager中找到UniversalRP并install。 创建一个前向渲染管线资产，会生成一个UniversalRenderPipelineAsset和UniversalRenderPipelineAsset_Renderer文件。 在Edit-ProjectSettings-Graphics中将渲染管线设置为刚设置好的URPAsset 场景就自由发挥搭建吧RenderFe
参考教程：ScriptableRenderFeatureUnity版本：2019.4搭建URP场景RenderFeature作用是支持SRP扩展自定义渲染pass，因此需要在SRP下使用，这里选择URP，在packagemanager中找到UniversalRP并install。 创建一个前向渲染管线资产，会生成一个UniversalRenderPipelineAsset和UniversalRenderPipelineAsset_Renderer文件。 在Edit-ProjectSettings-Graphics中将渲染管线设置为刚设置好的URPAsset 场景就自由发挥搭建吧RenderFe
AttentionalFeatureFusion注意力特征融合最近看到一篇比较不错的特征融合方法，基于注意力机制的AAF，与此前的SENet、SKNet等很相似，但AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia
AttentionalFeatureFusion注意力特征融合最近看到一篇比较不错的特征融合方法，基于注意力机制的AAF，与此前的SENet、SKNet等很相似，但AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia
渲染上：（1）Image通过UGUI的Image和CanvasRenderer组件组件来渲染；（2）Sprite通过SpriteRenderer组件来渲染；（3）两者在视觉上没有任何区别（都使用默认材质时）。它们默认的渲染也都是在TransparentGeometry队列中。原理上：（1）GPU接收到DrawCall指令后，通过一系列流程生成最终要显示的内容并进行渲染，其中大致的步骤包括：a.CPU发送DrawCall指令给GPU；b.GPU读取必要的数据到自己的显存；c.GPU通过顶点着色器（vertexshader）等步骤将输入的几何体信息转化为像素点数据；d.每个像素都通过片段着色器（f
渲染上：（1）Image通过UGUI的Image和CanvasRenderer组件组件来渲染；（2）Sprite通过SpriteRenderer组件来渲染；（3）两者在视觉上没有任何区别（都使用默认材质时）。它们默认的渲染也都是在TransparentGeometry队列中。原理上：（1）GPU接收到DrawCall指令后，通过一系列流程生成最终要显示的内容并进行渲染，其中大致的步骤包括：a.CPU发送DrawCall指令给GPU；b.GPU读取必要的数据到自己的显存；c.GPU通过顶点着色器（vertexshader）等步骤将输入的几何体信息转化为像素点数据；d.每个像素都通过片段着色器（f
前言文献名称：LearnedImageCompressionwithDiscretizedGaussianMixtureLikelihoodsandAttentionModules本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用安装好compressai后相当于把这个底层库引入了我们的工程相关环境搭配可以参考JointAutoregressiveandHierarchicalPriorsforLearnedImageCompression文献复现文献复现同样都是使用co
前言文献名称：LearnedImageCompressionwithDiscretizedGaussianMixtureLikelihoodsandAttentionModules本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用安装好compressai后相当于把这个底层库引入了我们的工程相关环境搭配可以参考JointAutoregressiveandHierarchicalPriorsforLearnedImageCompression文献复现文献复现同样都是使用co
CLIP（ContrastiveLanguage-ImagePre-Training）:利用文本的监督信号训练一个迁移能力强的视觉预训练模型通过对比学习,训练得到图片和文本的相似度,传闻使用4亿个配对的数据和文本来进行训练,不标注直接爬取的注意:由于训练数据基本都是英文,对英文支持的比较好用途:CLIP主要是用来做图片分类(计算图片和文本的相似度(关联度)),也可以辅助做GAN,检测,分割,检索等等以往我们训练一个猫狗分类模型，换一个线条猫，点云猫，油画猫，穿着奇装异服的猫，分类网络很难还认识，但是现在只要加上一个CLIP，模型马上就被扩展了.CLIP是如何训练的:CLIP是如何进行推理的:可
CLIP（ContrastiveLanguage-ImagePre-Training）:利用文本的监督信号训练一个迁移能力强的视觉预训练模型通过对比学习,训练得到图片和文本的相似度,传闻使用4亿个配对的数据和文本来进行训练,不标注直接爬取的注意:由于训练数据基本都是英文,对英文支持的比较好用途:CLIP主要是用来做图片分类(计算图片和文本的相似度(关联度)),也可以辅助做GAN,检测,分割,检索等等以往我们训练一个猫狗分类模型，换一个线条猫，点云猫，油画猫，穿着奇装异服的猫，分类网络很难还认识，但是现在只要加上一个CLIP，模型马上就被扩展了.CLIP是如何训练的:CLIP是如何进行推理的:可
