显示版本比较久。

在dataset中，会将数据从磁盘读入内存中，如果启用了dataloader中的pin_memory，就会让数据常驻内存，同时设置num_workers还能实现多进程读取数据，但即使设置了这些，数据加载速度依然没有质的提升。数据读取的速度远远大于GPU训练的速度，导致整个训练流程中有大部分时间都在等待数据发送到GPU，在资源管理器中呈现出CUDA使用率周期性波动，且大部分时间都是在等待数据加载。如

eigen的安装很简单：两种方法，一种直接命令行安装，另一种通过源文件安装。无论哪种都比较简单。

TaskAlignedAssigner 是目标检测中用于对齐分类和定位任务的样本分配器。其核心思想是通过综合分类得分和预测框与真实框的 IoU，动态选择最合适的锚点作为正样本。动态 Top-k 选择：对每个真实框，选择任务对齐指标最高的前。冲突处理：若一个锚点被多个真实框选中，保留指标最高的分配。提取分类得分：根据真实框的类别，提取对应类别的分类得分。计算 IoU：预测框与真实框之间的 IoU。中

就是说用一个神经网络表示一个函数。隐式神经表示（Implicit Neural Representations）是指通过神经网络的方式将输入的图像、音频、以及点云等信号表示为函数的方法[1]。对于输入x找到一个合适的网络F使得网络F能够表征函数Φ由于函数Φ是连续的，从而使得原始信号是连续的、可微的。这么干的好处在于，可以获取更高效的内存管理，得到更加精细的信号细节，并且使得图像在高阶微分情况下仍然

在DASRDataset只是计算blur kernel, 而 blur退化的执行, 以及 resize, noise, jpeg compress等退化的执行是在 DASRModel 类中的 feed_data 函数中。degradation_params是一个33dim的向量，也是退化预测网络中回归损失函数的 gt.主要分为3个强度的退化空间，在处理数据集的时候，应用的概率分别是。对判别器有个大

这是关于raw noise model的最新一篇论文，结合了物理建模和深度学习，创新点吧也是有一些的，当然作者也提到可能对于特别暗的场景可能效果好一些，如果sidd数据集其实 P-G噪声模型也许就够好了，实际使用的适合我主要是基于PG，以及sampling建模的方法，标定噪声和制作数据集。这一系列论文是不断对raw noise model的建模方法改进，来生成噪声数据，效果是可以的。当然如果直接使

作者分析了一个图像，发现噪声相关性 在 距离大于5（面积大于25）仍然比较大的像素比例占了三分之一。作者相比 ap-bsn主要修改了网络，相比与ap-bsn的单个center mask conv。本文提出两种mask, 希望一种打破相关性，另一种保留纹理细节。两种结合，更好的降噪。之前论文说到 邻域为5以内的噪声相关性比较大，距离大于5的时候相关性较小。

【代码】python 画24卡图及对比图。python gamma 和 de-gamma

浅显说法：把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…torch.stack() 沿着一个新维度对输入张量序列进行连接。torch.cat() 函数连接两个tensor, 沿着设定的维度增加尺寸。答：创建与原tensor 相同类型，相同device的tensor.比如一种使用方法，增加一个维度时一个列表的tensor连接在一起。创建一个tensor基于另一个tensor，目的