本周阅读了和高斯泼溅人体重建的三篇论文的方法部分，并且对每个方法的优缺点进行总结，为下一步研究指明方向。本周阅读了这三篇人体重建的论文，关于GauHuman在上个星期已经进行了复现，下一步工作是复现3DGA的实验。

本周复现上周提到的论文3DGA的实验，并且阅读了论文SplattingAvatar。通过SplattingAvatar，补充了对之前的改进的不足，法线插值和重心插值可以得到一个非线性连续场，解决3dga只有重心插值，在三角面片内只有线形关系的问题。在之前也尝试过建立一个非线性连续人体场，缺乏理论指导，SplattingAvatar提供了思路。

本周主要工作是阅读了两篇T2I方向的论文，理清风格迁移和图像重建之间的联系和区别，对应的问题采用对应的解法。上周的工作是风格迁移，将一张图像的“风格”（如笔触、颜色分布、纹理）迁移到另一张图像的“内容”上，不改变语义结构，图片中该有的内容大致都在。图像重建则是不一样的，根据语义指令修改图像内容本身，包括形状、结构、对象属性等。例如：“让天空更蓝”、“移除背景中的人”、“增大细胞核”。比如第一篇论文

自回归模型应用到视觉领域有所拓展，但是没有达到自回归模型在语言处理领域的GPT时刻，本周看到一篇探索自回归模型如何达到GPT时刻的论文。RandAR与RAR的思路很类似，也提出了很好的思路，后续会将这个工程复现。

本周阅读了论文Animatable 3D Gaussian，对LBS如何将高斯点映射到观测空间有了了解，形成对完整的高斯泼溅重建人体的流程的认识。3D gaussian Animate中的很多流程都比较复杂，但是其中的deformer模块还一直被继续使用到现在，已经对LBS蒙皮等操作的描述，让我了解到高斯泼溅重建人体的完整流程。

本周阅读了一篇关于空间转换器的论文，虽然论文只是在早期的操作，但是也可以是一种轻量化的特征抽取模型。对我的实验有一定的启发。后续将会把空间转换器应用到实验中监督模型的生成，输入[rec2,img1]到一个轻量级的GPT模型f，输出区域权重，然后再对选定的区域应用随机自回归，这样模型的泛化能力和收敛速度都会在理论上有所提升。

本周还是寻找到一个可以替换OCR的内容一致性损失，合成了新的数据集，以训练一个保持内容一致性的轻量级模型来替代OCR。当前训练模型发现存在过拟合的问题，训练损失在下降，但是验证损失类似一条直线，基本不下降，后续还要继续修改，

本周主要的工作是，寻找到一个无监督或者自监督的方法，解决模型的域泛化的问题，探索了幅度损失和方向损失等函数的思路和局限性。内容一致性循环一致性微调的流程：第一步生成任务的目标是用target_glyph的内容替换img1原来的内容source_glyph得到img2_pred；第二步的目标是用source_glyph替换img2_pred的内容得到img1_pred，最后计算img1_pred与i

本周看了一篇论文《Accurate Scene Text Recognition with Efficient Model Scaling and Cloze Self-Distillation》，关于decoder-encoder模型应用于文字识别，利用填空自蒸馏来提升不同数据区间模型的鲁棒性和性能。这个文章通过教师-学生模型对数据进行处理，模型层面可以得到质量更好的真实数据，并且增大编码器的参

2.小红在玩大富翁，从第0个城市出发，手中有四张卡牌1，2，3，4，代表可以走的步数，用完所有卡牌后，会得到一样的新的卡牌，每个城市的数值代表可以获得的金币，,小红身上的金币必须大于等于0，不能到达第n个城市输出-1；第一行输入表示n个城市，第二行是从第1到第n个，每个城市可获得的金币；选择题一通乱选，整个9-10月只做了两次笔试，代码也没有刷过力扣，现在复习考研和上学期做区块链的项目，也已经很久