高斯溅射技术一经推出，立刻引起学术界和工业界的广泛关注。相比传统的隐式神经散射场渲染技术，高斯溅射依托椭球空间，显性地表示多目图像的三维空间关系，其计算效率和综合性能均有较大的提升，且更容易理解。可以预见，未来2年针对高斯溅射的应用研究将会迎来爆炸式发展。通过本篇博文，我和大家来一起了解高斯溅射技术，希望对有需要的同学提供一点帮助。

本文详细介绍了在Ubuntu 24.04系统下配置深度学习开发环境的完整流程。主要内容包括：1）正确安装Anaconda的注意事项；2）通过官方deb网络方式安装CUDA 12.8及其环境配置；3）创建Conda虚拟环境并安装CUDA运行时；4）安装支持CUDA 12.8的PyTorch；5）PyCharm集成Conda环境的方法；6）环境验证步骤及常见问题解决方案。该配置方案适用于科研和工程开发

最近参加了一些线上图形学教育方面的专题研讨会，一些国内做的比较好的公司以及科研机构的研究人员分享了许多相关的内容，让人受益颇多。结合各位专家的分享，以及自己在图形学领域学习研究的一些心得体会，我决定用这篇博客，来简略谈谈我对目前国内图形学教育的一些认识。希望通过这篇博客，对有志于投身图形学领域的同学与工程师，提供一些粗浅的帮助，起到一点抛砖引玉的作用。1. 什么是图形学要谈图形学的教育问题，首先要

图像分割可以算是图像处理领域最重要的几个问题之一了。随着自动驾驶，广告推荐，手机照片处理，知识图谱等智能应用的快速普及，基于语义分析的图像分割、理解与识别变得越来越重要。近年来比较热的视觉领域工作，很大比重是围绕如何使用大规模数据，结合结构优良的深度网络模型，实现图像分割计算。今天，我们就来学习一项该领域的著名工作(DeepLabV3+)。

最近在b站看李沐老师的深度学习课程，受益颇多。不过觉得光看视频实在是不过瘾，最好还是能实际的玩起来。鉴于我还是习惯使用pycharm，且不需要过多的中间过程展示，所以代码的编写基本都是在pycharm进行。由于李沐老师的代码主要是在Jupyter运行的，在pycharm上使用会略有差异。本篇博客以求解线性优化问题代码为例，来谈一谈在pycharm运行相关代码的一些注意事项。

随着Transformer模型在NLP，CV甚至CG领域的流行，注意力机制（Attention Mechanism）被越来越多的学者所注意，将其引入各种深度学习任务中，以提升性能。清华大学胡世民教授团队近期发表在CVM上的Attention综述 [1]，详细介绍了该领域相关研究的进展。对于点云应用，引入注意力机制，设计新的深度学习模型，自然是一个研究热点。本文以注意力机制为对象，概述其发展脉络，以

本文详细介绍了在Ubuntu 24.04系统下配置深度学习开发环境的完整流程。主要内容包括：1）正确安装Anaconda的注意事项；2）通过官方deb网络方式安装CUDA 12.8及其环境配置；3）创建Conda虚拟环境并安装CUDA运行时；4）安装支持CUDA 12.8的PyTorch；5）PyCharm集成Conda环境的方法；6）环境验证步骤及常见问题解决方案。该配置方案适用于科研和工程开发

基于注意力机制的深度学习模型在起初设计时，针对的是NLP问题。包括词元分析，翻译等语言处理任务，注意力机制能够训练超大规模数据，并建立学习模型，获得显著的性能提升。鉴于注意力机制在NLP任务中的空前成功，视觉领域也尝试引入注意力机制，著名工作包括VIT [1] 和Swin Transformer [2]。对于点云数据处理，一些基于Transformer模型 [3][4] 的工作也被提出。本文以文献

这里汇集一些关于人工智能以及图形图像处理领域的CCFA类顶级期刊以及一些我对这些期刊评价。人工智能Artificial Intelligence （AI）IEEE Trans on Pattern Analysis and Machine Intelligence （TPAMI）International Journal of Computer Vision （IJCV）Journal of Ma

点云数据本身的数据规模存在极大的限制，目前主流的ModelNet40也就40个类别，就算组合了shapeNet，其数据量远远不能覆盖实际的样本空间，使得模型的泛化性收到了极大的限制。另外，由于点云属于三维数据，其表示形式自然要比文本和图像复杂，受到坐标系的限制会更大，对于姿态，尺度等更加敏感。这使得对于点云建立特征学习模型变得尤其困难。因此，面向点云的数据增强研究被提出。