OJ刷题总结 1
OJ刷题总结 1来源于:https://www.bilibili.com/video/BV1bP411c7oJ/?spm_id_from=333.788&vd_source=738644d63e97553d6e3dc1cd66a642d6
相向双指针
此消彼长是双向双指针的核心。
leetcode 167(两数之和 II)给你一个下标从 1 开始的整数数组 numbers ,该数组已按 非递减顺序排列 ,请你从数组中找出满足相加之和等于目标数 target 的两个数。如果设这两个数分别是 numbers[index1] 和 numbers[index2] ,则 1 <= index1 < index2 <= numbers.length 。
以长度为 2 的整数数组 [index1, index2] 的形式返回这两个整数的下标 index1 和 index2。
你可以假设每个输入 只对应唯一的答案 ,而且你 不可以 重复使用相同的元素。
你所设计的解决方案必须只使用常量级的额外空间。
考虑样例[2, 3, 4, 6, 8],target = 9
无脑做法,2 ...
python realted博客收藏
记录一些在看代码时遇到的一些问题及博客,方便以后忘记时回来
知乎收藏夹:
https://www.zhihu.com/collection/947243718
csdn收藏夹:
https://i.csdn.net/#/user-center/collection-list?type=1&folder=36818606&key=1
模型save and load:
https://www.cnblogs.com/Zhuohome/p/15599792.html
命令行参数:
https://www.bilibili.com/video/BV1U4411j7xb/?spm_id_from=333.337.search-card.all.click&vd_source=738644d63e97553d6e3dc1cd66a642d6
cuda版本:
https://cloud.tencent.com/developer/article/1731440
Python装饰器:
https://foofish.net/python-decorat ...
寒假day1
如上篇所言,我其实大约已经放了10天假了。标题的day1实质上是指寒假第一天开始的学习。
不得不承认,我今天又摆烂了。昨天晚上闲着无聊,在b站上找了一个天龙八部的解说看看。一看看到凌晨2点。醒来已是11点。下午继续看天龙八部的解说。晚上又约了和朋友打球。。。直到现在23:41分,才开始学习,弥补自己白天虚度的光阴。罪过罪过。
昨天晚上已经看了关于3D gaussian splatting的大致介绍,对其有了个浅显的了解。现在准备,看看意导的视频讲解。
可微渲染 可微光栅化(Differentiable Rendering)是计算机图形学中的一个重要概念,近年来在机器学习和计算机视觉领域尤其受到关注。光栅化(Rasterization)是计算机图形学中将三维模型转换为二维图像的过程,它涉及将模型的顶点、边和面映射到屏幕上的像素,并确定这些像素的颜色和其他属性。
在传统的光栅化过程中,这一转换通常是不可逆的,也就是说,一旦三维模型被转换成二维图像,就很难再从这个图像中准确地重构出原始的三维模型。这种不可逆性使得传统光栅化在一些应用场景中受限,特别是在需要高度精确的逆向推理时。
...
学期小结&寒假计划
自上次更新博客,已是很久,唯一一次更新还是更的图形学作业。之前还想着说记录记录自己的学习。但由于学业压力太大,临近期末,太多大作业以及要复习,实在是没时间写博客。
学期小结在大三上开学前,我去清华参加了它的图形学启明星计划的夏令营。大抵是出于运气,我被选上参加了。与我一同参加夏令营的同学真的都很优秀,每一个都感觉对图形学都很多的研究,我的一个室友,感觉更是厉害,似乎已经是在进行科研的项目了。这给我带了还算是蛮大的打击。我一直都处于中大计院的井底中,不知外界的同学们水平如何。几个关系好的高中同学也不是学习计算机的。自己看着自己的绩点排名,也是自我满足。参加完夏令营,我回到学校,心里就想着一定要搞搞科研,好好努力,弥补下自己与其他同学的差距。
回到中大,我联系了自己实验室的师兄。从games101开始逐步的学习,跟着网上的一些博客做了games101的作业。然后跟着师兄的研究兴趣,开始好好地看NeRF。大二下也算是看了一点点,但真的不是很认真。(我最开始进入HCP实验室,最主要的是想要个工位,可以固定的来读书学习,不用每天去图书馆找位子hh)后面开始看HumanNeRF,在chatGP ...
CG 大作业
CG大作业内容成员:马梓培 李涛 熊蔚然
我们选取交互这个选题,想复现出⼀款游戏,“火柴人打羽毛球”。本地双人对打。
我们最终实现的效果:
控制火柴人的移动,包括左移右移,向上跳跃。以及击打羽毛球
根据球拍的角度,去实现对击打羽毛球的模拟,包括球速以及角度
背后场馆观众,可以通过纹理贴图实现
以下是网络上一些游戏的截图:
1 火柴人控制原理我是基于“GAMES105-计算机角色动画基础”课程,来建模以及控制火柴人动作的。
关节的种类
因为实现的是二维平面的运动,所以关节的自由度为1,只会在一个平面上进行顺时针or逆时针的旋转。
前向运动学
从根节点往叶结点乘变换矩阵
朝向:关节的局部坐标系相对于世界坐标系的旋转
旋转矩阵的逆就是旋转矩阵的转置: 正交矩阵的性质
某一个关节处的全局旋转矩阵 = 父关节旋转矩阵 * 该关节的局部旋转矩阵
2 火柴人建模(蓝色为关节):
举例来说,左手臂小臂的全局旋转矩阵 = 左手臂大臂的全局旋转矩阵 左手臂小臂的局部旋转矩阵;右小腿的全局旋转矩阵 = 右大腿的全局旋转矩阵 右小腿的 ...
NeRF 笔记
NeRF 笔记
写在前面这原是我图形学课上论文阅读的一个作业,现放在自己博客里面,也当是我学习NeRF的一个小结。
NeRFAbstractNeRF提出了一种通过使用输入视图的稀疏集来优化底层连续体积场景函数,进而实现复杂场景的新视图合成的最先进的结果的方法。使用全连接(非卷积)深度网络,输入有五个维度(空间坐标$(x,y,z)$,视角方向$(\theta,\phi)$),输出是该空间位置的体积密度$\sigma$和视角相关的color。再通过传统的体渲染技术得到最后的像素值。通过比较生成图像和ground truth作为loss,来训练神经网络。
NeRF的意义是什么?经典的图形学渲染流程中,我们是通过对输入的图像进行三维建模,再去进行自由视角的渲染。这就要求构建出非常高质量的三维模型才能渲染出精细的结果。但是很多情况下,三维模型的构建是比较困难的。但是NeRF基于深度学习的流程,通过对三维场景的神经表达,结合可微分渲染,可以实现端到端的训练。最终可以实现在任意视角下对模型的渲染。
NeRF的基本原理NeRF的流程基本上可以用这幅图概括:
沿着相机光线,采样5D坐标合成图像 (位 ...
my first blog
第一次在自己的网站上写blog前几日,见识一些佬的网站,看着是真的很帅很酷,我想着自己也要搞一个玩玩看。写来试试。以后就要常更博客,变得更厉害hhh
花了好久才稍微弄的好看些了,以后再慢慢学习吧
今天就到这里了,跑步去了
123456import numpy as npdef abs(x): return 1if '__name__' == '__main__': fff