遵循以上步骤可完整复现论文中报告的实验结果。如需扩展到其他领域（如VisDA），需调整。参数，并确保数据格式与Office-31一致。

之后仔细查看报错：发现有Pylance client: couldn‘t create connection to server.删除了远程服务器上的vscode-server，重新下载了历史版本的vscode，但还是没解决。但使用vscode的remote-ssh时，在「输出」栏出现了一直报。ping服务器的ip可通并且使用terminal可以。参考重装Pylance，已解决。

更新了vscode之后再链接远程服务器出现了报错，如下：在服务器终端运行：最低要求：VS Code 远程开发需要 glibc ≥ 2.28。在服务器终端运行：strings /usr/lib/x86_64-linux-gnu/libstdc++.so.6 | grep GLIBCXX最低要求：VS Code 需要包含及以上版本。sudo apt update && sudo apt upgrade

之后仔细查看报错：发现有Pylance client: couldn‘t create connection to server.删除了远程服务器上的vscode-server，重新下载了历史版本的vscode，但还是没解决。但使用vscode的remote-ssh时，在「输出」栏出现了一直报。ping服务器的ip可通并且使用terminal可以。参考重装Pylance，已解决。

本文提出了一种端到端深度学习框架DEAR，用于解决现成ToF-RGBD相机模块的两个关键问题：跨模态图像对齐和深度测量细化。针对弱校准条件下的在线对齐需求，作者设计了两阶段光流估计方法，结合ToF深度信息提升RGB与ToF振幅图像的对齐精度。在深度细化方面，改进的ToF-KPN网络通过核归一化和偏置优先策略显著提升了处理多径干扰等误差的能力。为弥补真实数据不足，研究利用计算机图形学工具合成了ToF

3. 辅助工具安装Blender 2.7: 官方下载pbrt-v3-tof: 从 Su et al. 的仓库 编译安装MatLAB: 需安装插件（用于处理 EXR 格式渲染结果）二、数据准备1. 下载预生成数据数据集链接: Google Drive下载(~20GB)下载预训练模型权重2. 自定义数据生成 (可选)若需生成新数据，按以下流程操作：(2) 生成瞬态渲染（pbrt-v3-tof）(3)

首先，在训练期间，REPA 使用预训练的视觉编码器对 DiT 标记的隐式对齐是次优的，这使得 DiT 很难有效地利用预训练视觉编码器的语义指导。不同于以前的使用卷积架构的模型，例如，生成模型去噪 U-Net 和判别模型的 DPT，我们的模型纯粹是基于转换器的，没有卷积层。我们的语义提示DiT建立在扩散变压器(DiT)[39]的基础上，因为它在生成建模中的简单性、可扩展性和强大的性能。然而，我们发现

更新了vscode之后再链接远程服务器出现了报错，如下：在服务器终端运行：最低要求：VS Code 远程开发需要 glibc ≥ 2.28。在服务器终端运行：strings /usr/lib/x86_64-linux-gnu/libstdc++.so.6 | grep GLIBCXX最低要求：VS Code 需要包含及以上版本。sudo apt update && sudo apt upgrade