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

吴恩达老师的这门课一共有五个课程，第一门课程是神经网络和深度学习（大概分四周进行学习），学完之后的目标是能够建立和运用深度神经网络模型。第一周是进行了深度学习的入门介绍。第二周是神经网络的编程基础，这里介绍神经网络的正向传播、反向传播、算法的过程，以及如何高效实现神经网络，这一周将会有一些编程练习，需要自己去调试。第三周会学习构建一个单隐藏层的神经网络。第四周会学习构建一个多隐藏层的神经网络。深度

导入软件包。import os......#自定义模块#定义了一个常量DEFAULT_PADDING，其值为SAME，SAME是深度学习中常用的填充方法，特别是在卷积神经网络中，它用于在输入图像边缘周围添加适当的零值，使得输入的特征图和输出的特征图大小一样。定义函数layer，该函数用于为网络层创建统一的接口，以便构建组合式的网络结构。里面还定义了一个内置函数layer_decorated，是函数

Neuralangelo提出的第一个创新数值梯度帮助全局表面都得到反向传播的优化，使得全局表面都变得比较光滑（DTU的63号场景的苹果没有那么凹陷，且表面更加平整光滑），第二个创新是通过对数值梯度的参数ϵ和哈希网格的分辨率进行渐进的优化，为的都是先识别出物体的整体形态（能够重建出植物枝干），然后在逐步细化，恢复出物体详细的纹理特征（N3底部枝干也能重建出来的原因），这两个创新极大的帮助了神经网络更

之前的方法都是利用多视角图片作为一个输入，但是在进行新的三维场景重构的时候并不需要一个多视角图片的输入 ，因为多视角的图片集是不长存在的，常存在的图片集是单视角的图片（未知相机信息，未知其他视角图片），那么新的三维场景重构就可通过单视角的图片进行场景重建。人工智能就是模仿人类捕捉世界的能力，人看到的世界都是二维的图片，通过二维的图片一样得到三维的信息，并进行真实感的渲染，更上层的要求是希望能够进行

本周将会学习如何构建一个单层次的神经网络。上周学习了logistic回归，下面将它和上面的神经网络模型连接起来。在logistic回归当中，首先会输入特征向量x和参数w、b，然后计算z=wTx+b，然后计算预测值y^=a=sigmoid（z），最后计算损失值L。神经网络就是这个样子，可以将很多的激活单元重合组成一个神经网络。那么就可以将求z的一步作为神经网络的第一层，求a的一步当作是神经网络的第二