只要学会了以上的10常用建模操作、5个辅助工具和11个常用修改器就可以掌握Blender。注意：同一台电脑可以安装多个版本的Blender，并且可以互补干扰的一起使用。

https://github.com/zhanxinrui/HDNhttps://aimotive.com/aisim-neural-reconstruction-and-renderinghttps://jaehoon-daddy.tistory.com/122https://arxiv.org/abs/2311.15260https://github.com/georghess/neurad-

Nerf：一种能从不同角度合成图像的技术，已经在自动驾驶领域受到关注。可以用于：在虚拟环境中测试自动驾驶系统（闭环模拟）；增强训练数据（数据增强）。现有方法的问题：训练太慢；需要很多语义标注；泛化能力差；因此难以大规模应用在自动驾驶场景中。NeuRAD：专为自动驾驶数据设计的新方法。特点有网络结构简单；同时模拟相机和激光雷达的特性（如滚动快门、光束发散、丢失点云等）；可直接应用于多个数据集，并在在

构建机器学习项目》这门课程就是学习机器学习策略，从而能够高效的优化机器学习系统。所谓的机器学习策略可以解释为上图，我们正在构建一个猫类分类器，但是其效果不是很好，那么我们就想到一些优化该分类器的方法，比如增加更多的数据，增加数据的多样性（更多猫的姿势或者多样性的反例图片），使得梯度下降优化器训练得更久，使用另一个完全不同的优化器（如Adam），一个更大或者更小的网络，使用Dropout或者L2正则

Nerf：一种能从不同角度合成图像的技术，已经在自动驾驶领域受到关注。可以用于：在虚拟环境中测试自动驾驶系统（闭环模拟）；增强训练数据（数据增强）。现有方法的问题：训练太慢；需要很多语义标注；泛化能力差；因此难以大规模应用在自动驾驶场景中。NeuRAD：专为自动驾驶数据设计的新方法。特点有网络结构简单；同时模拟相机和激光雷达的特性（如滚动快门、光束发散、丢失点云等）；可直接应用于多个数据集，并在在

输入：输入和MVSnet一样是三张图片，一张参考图，两张源图，可以通过快速网络推理仅从三个附近的输入视图重建辐射场。可泛化：原始Nerf是一个场景对应一个神经网络模型，MVSNerf是训练的一个可泛化的神经网络模型，也就是训练出来的一个场景的神经网络模型可以应用到新场景中。MVSNerf是基于DTU数据集进行训练的，然后又用了三个完全不同场景的数据集对训练出来的MVSNerf模型进行测试，结果显示

提出了一种端到端的深度学习架构，通过多视图图像推断出深度图。网络：①提取图像特征（特征提取）；②为每张参考图像的视锥构建3D代价体；③正则化和回归代价体；④通过卷积，得到初始的深度图，再用参考图进行细化，得到最终的输出。创新点：①可以允许多张图像的输入；②使用方差作为损失的度量值；③在DTU上训练，在Tanks and Temples上评估；④通过后处理，生成点云，与之前的技术相比，方法更好、速度

复现参考链接：1、2、3、4、5、

出现该错误的原因就是原本的DTU数据集是包括掩码图片的，因此是进行的有掩码监督的训练，但是我们自制的Neus数据集是没有掩码图片的，只能进行无掩码监督的训练，因此运行无掩码监督的命令，但是数据集处理文件dataset.py，默认我们的数据集是有掩码的，因此要对dataset.py进行修改，并对运行文件exp_runner.py进行一定的修改。值得注意的是自己制作的植物数据集无掩码，因此在训练的时候

深度学习所属领域是人工智能下的机器学习。深度神经网络可以理解为一种特征提取工程，而不是单单理解为是一种算法，因为相对于算法，提取的特征作为输入更为重要。深度学习可以理解为能够真正学习到数据中最适宜的特征。机器学习过程是数据获取→特征工程→建立模型→评估与应用，其中最重要的是特征工程，它大部分操作都是人工的，需要人工的去进行特征选取和提取，深度学习就对此做出来改进，它自我的进行学习，并且不断的迭代优