cathy

引言2020年的一篇论文，Denoising Diffsion Probabilistic Models 去噪扩散概率模型，本文的主要贡献在于 将扩散模型仅限于简单玩具数据集的理论概念中解放出来 更简单的生成目标 对于人脸的概率分布，其实压根就无法用一个概率分布p(x)来表示 扩散模型用一个看似不相关的流程来解决—从图像中去除高斯噪声如果模型有效的话,那么它应当能够从随机噪声开始,逐步

数学最后几天不要忘记做一些新的题目保持状态但是不需要一整张一整张模拟卷的去做保持每天做一些新题目即可做个一小时即可 其次要摒弃完美主义，在考场上的时候要接受自己可能做不出一些题目的情况几乎每个人都会出现卡题的情况，所以放平心态，随便蒙一个然后下一题 答题时间一定要把握好，按照自己平时的规律来，比如你平时模拟卷选填要70分钟，考场上自己注意注意，不要因为紧张而导致一些简单的题目重复验算，该快就快，相

Robust Semi-Supervised Multimodal Medical Image Segmentation via Cross Modality Collaboration 这是一个非常经典且极具研究价值的心脏MRI场景。在医学图像分析领域，结合短轴（Short Axis, SAX）和长轴（Long Axis, LAX，如2腔心、4腔心）数据确实是提升分割精度和3D重建质量的重要手

github地址3dgs论文集合 gemini的讲解

王道模拟卷第一套 这是一道非常经典的计算机组成原理题目，考查的是单周期CPU设计中**取指阶段（Instruction Fetch）**的数据通路和控制逻辑。 下面我针对题目中的5个问题逐一进行详细分析和解答。 1) 以上取指部件的输入信号有哪些？各有什么作用？(不考虑时钟信号)观察图中虚线框（取指部件/下地址逻辑）的边界，找出从外部进入该区域的信号线： 输入信号列表及作用： J

1. 序言MEDGS 利用 VeGaS（Gaussian Splatting 的时空变体）在短轴 MRI 切片上进行层间插值，构成了一个合理的基线方法。本文梳理 VeGaS 与 MedGS 的核心思想与关键差异，并提出若干改进方向。 2. 相关工作2.1 VeGaS：时空体积中的 Folded Gaussian普通 3DGS 将三维空间 $(x, y, z)$ 中的场景表示为高斯体素；VeGaS

这是一个非常棒的研究切入点！心脏 MRI 重建（Cardiac MRI Reconstruction）一直是 MICCAI（医学影像顶会）的热门赛道。 你目前的做法是“利用 VEGAS（Gaussian Splatting 的变体）做短轴（SAX）切片的 Z 轴插值/超分”。这算是一个不错的 Baseline。 为了发一篇高质量的论文，单纯的插值确实不够，引入“长轴（LAX）监督”和“扩

1. 核心思路：把“时间”变成“空间” (Time as Depth)普通的 3DGS 是把 $x, y, z$ 三维空间里的物体变成高斯球。而 VeGaS 处理的是一段 2D 视频。视频本来是 $(x, y)$ 的图像随时间 $t$ 变化。 VeGaS 做了一个很有趣的转换： 它把视频看作一个 3D 空间-时间体积 (Space-Time Volume)。 X 轴 & Y 轴：还是图像

3D Gaussian Splatting (3DGS) 是近年来计算机图形学和计算机视觉领域的一项突破性技术。它结合了显式几何表示（点云/粒子）和体积渲染的优点，实现了实时的渲染速度和照片级的重建质量。 下面我将分两部分为你详细拆解：3DGS的训练与渲染流程，以及3D重建的深层意义。 第一部分：3DGS 的技术原理简单来说，3DGS 不使用网格（Mesh）或神经网络（如 NeRF 中

荒废了好久的博客，最近才开始重新写。