卡尔曼滤波的推导
本文详细推导卡尔曼滤波算法
技术文章
LPIPS:Learned Perceptual Image Patch Similarity
LPIPS是一种**感知图像相似度（perceptual similarity）**的度量方法，由 Richard Zhang 等人在 2018 年提出（论文：“The Unreasonable Effectiveness of Deep Features as a Perceptual Metric”，CVPR 2018）。LPIPS 衡量两张图像在深度特征空间中的“感知距离”，比传统的 L2 或 SSIM 更符合人眼主观感受。
Owesome 3DGS papers
总结一些3DGS论文
Structural similarity index measure(SSIM)
结构 相似性 指数（SSIM）是一种用于预测数字电视和电影画面以及其他类型数字图像和视频的感知质量的方法。它也用于衡量两幅图像之间的相似度。SSIM 指数是一种完全参考度量；换句话说，图像质量的测量或预测是基于初始的未压缩或无失真图像作为参考的。 SSIM 是一种基于感知的模型，它将图像退化视为结构信息的感知变化，同时还纳入了重要的感知现象，包括亮度掩蔽和对比度掩蔽项。这与其他技术（例如均方误差(MSE) 或峰值信噪比(PSNR)）不同，后者估计的是绝对误差。结构信息是指像素之间存在很强的相互依赖性，尤其是在空间上接近时。这些依赖性包含有关视觉场景中物体结构的重要信息。亮度掩蔽是指图像失真（在此上下文中）在明亮区域往往不太明显，而对比度掩蔽是指图像中存在显著活动或“纹理”的区域失真不太明显
3D Gaussian Splatting for Real-Time Radiance Field Rendering
3D 高斯溅射：实时辐射场渲染方法文章翻译
NeRF：将场景表示为用于视图合成的神经辐射场
NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 经典论文翻译
Poisson 表面重建的核心思想以及与有限元方法（FEM）的关系
Poisson 表面重建的本质是一种有限元离散化的 Poisson 方程求解。Kazhdan 等人使用八叉树与局部基函数形式实现了自适应的 FEM 求解，使其成为连接 PDE 与几何重建的典型案例。本篇文章详细介绍了 Poisson 表面重建与有限元方法之间的关系。
关于Poisson重建∂符号的理解
初次看到Poisson重建这篇文章的时候，看到他用∂M表示表面，当时很困惑，为什么偏导数表示表面？ 这里我觉得有一个概念理解错误的问题。 作者使用∂M表示“集合 M 的边界”，而不是“偏导数”。 具体说来， ∂其实是**数学记号上的“边界符号”**（boundary operator），不是偏导数。
Poisson表面重建--B-spline核函数和box filter
本篇文章详细介绍了 Poisson 表面重建文章里面使用的基函数B-spline与box filter之间的关系
Poisson 表面重建文章翻译
本文翻译了经典的Poisson表面重建文章：Poisson Surface Reconstruction
Matplot 显示中文字体
Matplot 设置显示中文字体
Fixing the RANSAC Stopping Criterion
Fixing the RANSAC Stopping Criterion 论文总结
Sampson 误差
Sampson 误差的详细解释
Markdown 渲染测试
测试本博客的Markdown渲染效果