多视图几何（Multiple View Geometry）是计算机视觉领域的一个重要概念，它涉及到从多个不同视角（角度）获取的图像中推断出物体的三维结构和相对位置关系。在现实世界中，我们通常通过不同的角度观察物体，然后通过这些不同的视角来理解物体的形状、位置和运动。多视图几何的目标就是从这些多个视图中恢复出物体的几何信息。主要内容有：三维重建、立体视觉、运动估计等。

图割（Graph Cut）是图像处理领域中的一种基本技术，用于分割图像或者其他类型的图形。它的基本思想是将图像表示成一个图（图论中的概念），其中图的节点代表图像中的像素或者其他感兴趣的区域，图的边则代表节点之间的关系。图割的主要应用之一是图像分割，即将图像中的像素分成若干个不同的区域或物体。这在计算机视觉领域中有广泛的应用，比如目标检测、图像编辑、医学图像分析等。图割算法的基本原理是通过在图上定义

多视图几何（Multiple View Geometry）是计算机视觉领域的一个重要概念，它涉及到从多个不同视角（角度）获取的图像中推断出物体的三维结构和相对位置关系。在现实世界中，我们通常通过不同的角度观察物体，然后通过这些不同的视角来理解物体的形状、位置和运动。多视图几何的目标就是从这些多个视图中恢复出物体的几何信息。主要内容有：三维重建、立体视觉、运动估计等。

试想一下，如果给一张图如下，要求对这张图中的点分类，你会怎么进行呢？我们当然可以认为所有的点都只有一个种类，毕竟他们本身只有坐标不同，也可以左右分成两个大类，也可以四个角落划分成四类，这一切都取决于最初定的分类个数，而这就是k均值聚类。所谓k，就是我们的目标要把数据划分为k个类。所谓聚类，就是向上面的例子一样，实现不给任何标签，让我们自己区随意分类我们要分类的话，肯定是在同一类中相似度越高越好。也

效果就不展示了，论文中放出来的肯定都是好的效果。但是这篇论文讨论的原理看起来是非常有道理的。应该可以一定程度上解决长视频生成的问题。

这两年图像生成任务做的越来越好，应该马上就能满足实际需求了，达到普通人难以分辨的程度。随着算力和显存的提升，模型越来越倾向于将所有输入直接token化，然后定制位置编码后直接整个送入transformer。后续视频生成任务估计也会有类似的发展趋势，本文中的VAE用Wan 2.1 估计就是为此铺路的。不过视频消耗的资源还是太多了，何况transformer的复杂度是n的平方，估计一两年内还是做不到像

图割（Graph Cut）是图像处理领域中的一种基本技术，用于分割图像或者其他类型的图形。它的基本思想是将图像表示成一个图（图论中的概念），其中图的节点代表图像中的像素或者其他感兴趣的区域，图的边则代表节点之间的关系。图割的主要应用之一是图像分割，即将图像中的像素分成若干个不同的区域或物体。这在计算机视觉领域中有广泛的应用，比如目标检测、图像编辑、医学图像分析等。图割算法的基本原理是通过在图上定义

simswap的安装

所谓三个臭皮匠顶个诸葛亮，类似的思想就是集成学习的核心思想。集成学习是通过将多个弱学习器（Weak Learners）组合在一起，形成一个更强大的学习模型。成学习通过结合多个学习器的预测结果，可以达到比单个学习器更好的性能和泛化能力。

简单介绍了Lora的原理及