PIQUE

tomcat 安装macos 系统基于homebrew 安装tomcat12brew search tomcatbrew install tomcatConfiguration files: /opt/homebrew/etc/tomcat 启动 Tomcat 服务： 执行以下命令以启动 Tomcat 并使其在登录时自动启动：1brew services start tomcat 手动启动 Tomcat（如果不需要后台服务）： 如果你不希望 Tomcat 作为后台服务运行，可以使用以下命令手动启动 Tomcat：1/opt/homebrew/opt/tomcat/bin/catalina run 访问 Tomcat启动 Tomcat 后，你可以通过以下地址在浏览器中访问它：http://localhost:8080 停止 Tomcat 服务如果你希望停止 Tomcat 服务，可以运行：1brew services stop tomcat 其他常见操作查看 Tomcat 的配置文件：Tomcat 的配置文件位于 /opt/homebrew/etc/tomcat...

SFM(Structure from Motion) :SFM 是一种用于从一系列二维图像中恢复三维结构的技术，尤其是当这些图像是从不同角度拍摄的。它的基本思想是通过图像之间的运动信息来估计物体或场景的三维结构。原理:SFM 通过从多个视角拍摄的图像中提取关键特征点，分析这些特征点在不同图像中的位置变化（即相机的运动）来恢复三维空间中的物体形状。通过计算每张图像的相对位置和方向，最终推算出三维点云数据。 MVS (Multi-View Stereo) :MVS 是在 SFM 的基础上进一步发展起来的一种三维重建技术，主要用于从多视角的图像中恢复密集的三维表面模型。原理:与 SFM 主要关注稀疏特征点不同，MVS 通过从多张图像中提取更多的特征和信息，进行深度估计，从而生成更加密集的三维点云。它通过分析不同视角下的相同物体区域来推算深度信息，以便获得更高分辨率的三维表面。 SFM 和 MVS 的关系SFM 主要用于从多张图像中估计相机的位置和场景中的稀疏三维点（通常是特征点）。SFM 提供了图像的几何关系和大致的场景结构。MVS 则是在 SFM...

PanoDreamer论文总结1. 论文概述PanoDreamer 是一篇提出从单张图像生成一致的 360° 3D场景 的论文。论文的核心贡献是通过两个主要的优化任务：单图像全景生成 和 深度估计，结合 扩散模型 实现高质量的3D重建。 2. 论文实现的主要内容2.1 生成一致的360°全景图PanoDreamer首先通过扩散模型生成完整的360°全景图。与以往逐步生成的方法不同，PanoDreamer通过优化策略确保生成的全景图在整个360度范围内的一致性，避免接缝和不一致性问题。 2.2 深度估计与优化在生成全景图的基础上，PanoDreamer进行了深度估计，并通过优化策略生成与全景图一致的深度图。深度图为后续的3D场景重建提供了精确的空间结构信息。PanoDreamer使用交替最小化的方法，以确保深度图和全景图的兼容性。 2.3 3D场景重建利用生成的全景图和深度图，PanoDreamer通过将像素投射到3D空间，填补过程中出现的空缺区域，从而完成360度的3D场景重建。 2.4...

稀疏体素网格的层次结构：稀疏体素网格（Sparse Voxel Octree，简称SVO）是一种在计算机图形学和三维图像处理中使用的层次数据结构，它通过将三维空间分成八个子空间（即八叉树）来组织体素数据。 在这种层次结构中，三维空间的每个节点代表一个体素（体积像素），而这些体素是通过递归地细分空间来表示的。每个父节点对应一个较大的体素块，而每个子节点则代表一个更细分的体素块，直到达到所需的精度。 稀疏体素网格的优点是它只在必要时存储非空的体素，从而节省存储空间，尤其适用于具有稀疏数据或大规模三维空间的场景。通过这种层次结构，可以高效地进行查询、渲染、碰撞检测等操作。 简而言之，稀疏体素网格的层次结构是一种通过递归细分空间并仅存储非空体素的高效数据表示方式，广泛应用于计算机图形学中的大规模三维数据管理和处理。 pixelRNN：处理序列CNN：处理分类VAE：变分自编码器，

作者讲解视频链接 https://www.bilibili.com/video/BV1xrsUeiETF?vd_source=35b32b48c62bbb77b34a7922f8af1878 论文方法概述该论文提出了一种名为金字塔离散扩散（PDD）模型的方法，旨在生成高质量的大规模3D场景。PDD模型采用多尺度的生成策略，通过逐步从粗到精的方式生成3D场景。以下是该方法的核心步骤和技术细节： 1. 多尺度生成PDD模型通过多个尺度（分辨率）逐步生成3D场景，采用粗到精的方式。首先生成一个较小尺度的场景，然后根据已经生成的粗略场景逐步扩展到更大尺度。 第一步：从噪声开始，使用低分辨率生成初步的3D场景。 第二步：基于低分辨率场景生成中等分辨率的场景，逐步增加细节。 第三步：在最大分辨率下生成最终的高精度场景，包含更精细的结构和细节。 2. 场景细分（Scene...

...

操作系统讲解1. 操作系统的定义和作用 操作系统是计算机硬件与用户之间的中介，主要目标是： 执行用户程序 简化用户问题的解决 提高硬件使用效率 2. 计算机系统结构 计算机系统由以下四个主要部分组成： 硬件：提供基础资源（CPU、内存、I/O设备） 操作系统：协调硬件的使用 应用程序：解决用户的计算问题 用户：人、机器和其他计算机 3. 操作系统的功能 操作系统是资源分配器和控制程序，主要负责： 管理计算机资源，确保不同应用程序和用户之间的合理使用 在不同计算环境中使用（如移动设备、嵌入式系统等） 4. 操作系统组件和内核 操作系统分为内核和系统程序： 内核是操作系统的核心，负责硬件资源管理和系统服务 系统程序和应用程序分别提供与操作系统相关的服务和解决用户问题的功能 5. 计算机系统操作与中断机制 操作系统通过中断机制来管理设备和处理器： 讲解了中断的处理流程 如何通过中断实现设备管理 6. 存储结构 计算机的存储结构包括： 主存储器（内存） 辅助存储器（硬盘） 还介绍了存储层次结构、存储设备管理和缓存机制。 7....

王建明老师的文章，关于diffusion policy+与robotics，讲的很好：https://zhuanlan.zhihu.com/p/670555655 3D diffusion policy代码链接：https://github.com/YanjieZe/3D-Diffusion-PolicyOcto：https://arxiv.org/pdf/2405.12213 一个开源的、通用的、可适配不同机器人和任务的机器人操作策略模型，基于transformer本质上是一种3D点云+diffusion policy+模仿学习:DP3 background 模仿学习 视觉模仿学习模型方法根据论文的描述，主要分为感知和决策部分Perception DP3...

生成模型Diffusion PolicyDDPMDenoising Diffusion Probabilistic Model链接:https://arxiv.org/abs/2006.11239 Stable DiffusionKL散度：KL散度是一种衡量两个概率分布之间差异的度量。在DDPM中，KL散度通常用于衡量生成分布和目标分布之间的差异。具体来说，DDPM在训练时，通过最小化KL散度来优化生成过程。目标是让模型学习到一个能生成与真实数据分布相似的生成分布。在DDPM的训练过程中，KL散度用于度量正向过程（添加噪声）和逆向过程（去噪声）之间的差异。模型通过最大化真实数据的似然函数，减少生成过程中的误差，从而提高生成效果。扩散模型做的东西就是噪声的预测embedding：通常指将数据（如图像、文本等）从高维空间映射到低维空间的过程。在DDPM中，是指将输入数据的特征转化为向量形式Forward Diffusion...

高斯分布(正态分布)高斯分布的概率密度函数（PDF）： $p(x) = \frac{1}{\sigma \sqrt{2\pi}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$x：观察值，表示我们关心的某个数据点。μ：均值（mean），表示分布的中心或“期望值”，即数据大多集中的位置。σ：标准差（standard deviation），表示数据的分散程度。标准差越大，数据越分散，曲线越扁平；标准差越小，数据越集中，曲线越陡峭。σ2：方差（variance），是标准差的平方，表示数据的离散程度。2π：是数学常数，用来规范化分布的总概率为1。左边的是归一化常数字，曲线面积为1，右边是指数函数，与均值越远，概率密度越来越低 0-1分布(伯努利分布)这太简单了，就不描述了 联合分布 Joint...