All Categories

【3D生成AI】学习笔记（二）：先修知识体系

Sunday, Apr 27, 2025

系统梳理3D生成AI的两大先修知识支柱：3D计算机图形学基础（五种核心表示方法、多视图几何、渲染管线）与深度学习核心基石（GAN/VAE/扩散模型推导、神经网络架构、优化理论），并附先修知识自测清单。

【3D生成AI】学习笔记（五）：评估与验证

Sunday, Apr 27, 2025

从主观实验设计、客观指标体系（CD/EMD/F-Score/LPIPS/SSIM/CLIP Score）的数学本质、指标间的内在冲突，到下游任务驱动的功能性验证，建立多维、多视角、统计严谨的3D生成评估框架。

【3D生成AI】学习笔记（六）：实战与前沿趋势

Sunday, Apr 27, 2025

核心开源框架详解（nerfstudio/threestudio/Kaolin/PyTorch3D）、实战动手路径与学习资源推荐，以及3D生成AI的未来趋势展望——从数据规模到多模态统一表示。

【3D生成AI】学习笔记（四）：后处理与生产管线

Sunday, Apr 27, 2025

从生成到可用资产的关键后处理环节：Marching Cubes网格提取、重拓扑与Remesh、UV展开与纹理烘焙、LOD生成与轻量化，以及完整的引擎集成管线。

【深度学习】常见的激活函数

Thursday, Jan 30, 2025

激活函数为神经网络引入非线性，使其能够学习复杂模式。它分为饱和与非饱和两类，前者如Sigmoid和tanh，后者如ReLU。使用激活函数可避免网络退化为线性模型，并解决梯度消失等问题，从而增强模型的表达能力。

【机器学习】梯度下降与损失函数

Monday, Jan 20, 2025

梯度下降是一种通过计算目标函数梯度并沿其反方向迭代调整参数以寻找最小值的优化方法。它利用导数、偏导数和方向导数等概念，在机器学习中常用于最小化损失函数，但可能收敛于局部最优解而非全局最优。

【OpenPCDet】PointPillar算法思路

Tuesday, Dec 31, 2024

PointPillar是一种高效的激光雷达点云3D检测模型，通过将点云划分为柱体并编码为伪图像，在保持高精度的同时实现了显著的实时检测速度优势。

【OpenPCDet】关于spconv的一些问题解决方案

Monday, Dec 30, 2024

在Ubuntu20.04与CUDA 11.3环境下改进OpenPCDet时，针对spconv模块的版本冲突、API变更及初始化错误，通过重装指定版本、修改导入语句和降级版本得以解决。

【OpenPCDet】模型的数据采样训练

Friday, Dec 20, 2024

OpenPCDet框架通过修改KITTI数据集的ImageSet索引文件，可便捷创建不同训练子集，无需操作原始点云文件。通过脚本采样生成新索引文件，并在配置文件中指定即可启动训练。

【OpenPCDet】Uncertainty Estimation学习笔记（一）

Saturday, Nov 30, 2024

神经网络不确定性研究旨在解决模型对错误或未知输入给出高置信度预测的问题。文章区分了数据不确定性和模型不确定性，并介绍了基于贝叶斯深度学习的建模方法，以帮助使用者做出更可靠的决策。