① 基于梯度的方法（微分法）利用时变图像灰度的时空微分（时空梯度函数）来计算像素的速度矢量。② 基于匹配的方法有基于特征和基于区域两种。基于特征的方法是对目标特征进行定位和跟踪，目标大的运动和亮度具有更好的鲁棒性。基于区域的方法是对类似的区域进行定位，通过相似区域的位移计算光流。③ 基于能量的方法（频率）要获得均匀光流场的准确的速度估计，必须对输入图像进行时空滤波处理，即对时间和空间进行整合。④

上执行 Docker 命令，因为容器本身没有权限直接重启自己。只能联系宿主机那边给重启一下容器。尚未以systemd作为初始系统启动。检查方法：ps -p 1 -o comm=今天用服务器时又突然报错cuda不可用，输入nvidia-smi检查，报错如题。想重启 Docker 容器中，通常需要在。尝试 exit 退出容器再进入：无效。等字样，那么是在某种虚拟化环境中。，那么说明没有虚拟化。但是文中

翻墙下载实在太慢了，还不稳定，就把常用的一些checkpoint传网盘了，需要自取~

才发现AnimateDiff更新v3了，以及又发了篇CVPR的改进工作：在这个版本中，我们通过域适配器LoRA对图像模型进行了微调，以便在推理时具有更大的灵活性。实现了两个(RGB图像/scribble) SparseCtrl编码器，可以采用固定数量的条件映射来控制生成过程。域适配器是一个在训练视频数据集的静态帧上进行训练的LoRA模块。这个过程是在训练运动模块之前完成的，并帮助运动模块专注于运动

通过调整风格编码或其他控制参数，可以对生成的姿势序列进行精确的控制，以满足特定的音乐风格要求。通过使用稳定扩散，可以根据音频特征来引导网络生成相应的姿势，并确保姿势序列与音频的节奏、情感或其他特征相匹配。表情动画生成：结合人脸姿势和表情建模以及表情特征，生成具有逼真和连贯表情的动画序列。姿势合成和转换：根据生成的姿势序列，可以进行后处理和优化，确保流畅和连贯性。可控性参数：提供一些可调整的参数，如

这意味着系统中安装的驱动包与正在使用的内核模块版本不匹配，导致了 GPU 驱动问题。可以看到目前系统安装的 NVIDIA 驱动包版本是。，但是内核模块显示的版本是。

上执行 Docker 命令，因为容器本身没有权限直接重启自己。只能联系宿主机那边给重启一下容器。尚未以systemd作为初始系统启动。检查方法：ps -p 1 -o comm=今天用服务器时又突然报错cuda不可用，输入nvidia-smi检查，报错如题。想重启 Docker 容器中，通常需要在。尝试 exit 退出容器再进入：无效。等字样，那么是在某种虚拟化环境中。，那么说明没有虚拟化。但是文中

这意味着系统中安装的驱动包与正在使用的内核模块版本不匹配，导致了 GPU 驱动问题。可以看到目前系统安装的 NVIDIA 驱动包版本是。，但是内核模块显示的版本是。

其中 time_embedding 和 text_embedding 都是不变的，在每一个块里边都对模型提供当前Unet所处time信息以及全局text的指导信息（就是prompt），Resnet 中 xx_embeding 的生效方式就是直接加上去（简单粗暴），Transformer 中执行交叉注意力来使用指导信息 xx_embeding，大部分区域中 time_embeding 和 text_

通过调整风格编码或其他控制参数，可以对生成的姿势序列进行精确的控制，以满足特定的音乐风格要求。通过使用稳定扩散，可以根据音频特征来引导网络生成相应的姿势，并确保姿势序列与音频的节奏、情感或其他特征相匹配。表情动画生成：结合人脸姿势和表情建模以及表情特征，生成具有逼真和连贯表情的动画序列。姿势合成和转换：根据生成的姿势序列，可以进行后处理和优化，确保流畅和连贯性。可控性参数：提供一些可调整的参数，如