图形学中的隐式和显式几何！

在本文中，我们提出了一种名为unetr++的三维医学图像分割方法，该方法既提供了高质量的分割mask，又在参数、计算成本和推理速度方面具有效率。我们设计的核心是引入一种新的高效成对注意(efficient paired attention， EPA)块，该块使用基于空间和通道注意的一对相互依赖的分支有效地学习空间和通道方面的判别特征。

图形学光线追踪笔记

图形学着色笔记，自用自用

目前的3D-VL模型严重依赖于复杂的模块、辅助损耗和优化技巧，这需要一个简单而统一的模型。在本文中，我们提出了3D- vista，一个预训练的3D视觉和文本对齐转换器，可以很容易地适应各种下游任务。3D-VisTA简单地利用self attention层进行单模态建模和多模态融合，而无需任何复杂的特定任务设计。为了进一步提高其在3D- vl任务上的性能，我们构建了ScanScribe，这是第一个用

之前面Nvidia-Infra 的时候准备的一些底层相关内容，二面了两个半小时然后挂了orz （面试官还是很好的)不过确实感觉现在的工作更贴合算法一些，燃尽了23333

简单记录一下docker 部署vllm 服务， 为什么呢，因为我就是记不住啊

llama factory 实战 + 理论

以前整理的模型迭代的对比，自用

我们将体积(3D)医学图像分割任务重新制定为序列到序列的预测问题。我们引入了一种新的架构，称为UNEt-TRansformer(UNETR)，它利用Transformer作为编码器来学习输入体积的序列表示并有效捕获全局多尺度信息，同时也遵循编码器和解码器的成功“u形”网络设计也能很好的提取到局部特征。