1 WSL2 配置

1.1 WSL 开启

运行管理员运行 PowerShell ，直接运行下面命令即可（默认WSL2），然后重启就应该自动开启了如“适用于Linux的Windows子系统”等相关功能

wsl --install

此命令将启用运行 WSL 和安装 Linux 的 Ubuntu 发行版（在C盘）所需的功能。但是，C盘空间太紧张，我更愿意把其安装在其他盘（D盘）

检查：在 Windows 功能中有开启“Hyper-V”、“适用于Linux的Windows子系统”、“虚拟机平台”功能

但是！windows家庭版（windows home）是默认没有Hyper-V功能的，需要自己手动安装：

首先先简单了解一下机器学习中，主要有三种学习范式：监督学习、无监督学习和自监督学习：

• 监督学习：依赖带标签的数据，通过输入输出映射关系进行训练。
• 无监督学习：不依赖标签，关注数据的内在结构和模式。
• 自监督学习：利用数据本身生成标签，通过预训练任务学习有效的特征表示。

实际运行结果：

• 上面的为最近邻分类器，其中红框表示最近邻搜索的预测结果。
• 下方的为SVM：橙色框表示SVM的预测结果。其中，最红的框表示SVM预测的最高得分的预测结果。

问题

1. 深度剥离（对于特定的图像像素 $u$ ）

   1. 首先使用硬件光栅化器将点云渲染到图像上，将最靠近相机的一个点 $x_0$ 分配给像素 $u$ 。然后，记录下该点的深度 $t_0$ 。
   2. 在第 $k$ 次渲染通道中，将所有深度值 $t_k$ 小于前一通道记录的深度 $t_{k-1}$ 的点云的点都丢弃，从而得到每个像素的第 $k$ 个最靠近相机的点 $x_k$ 。在K次渲染后，像素 $u$ 就有了一组以深度排序的点 ${x_k \vert k = 1, …, K}$​ 。

   Subsequently, in the k-th rendering pass, all points with depth value $t_k$ smaller than the recorded depth of the previous pass $t_{k−1}$ are discarded, thereby resulting in the k-th closest-to-camera point $x_k$ for the pixel u.

   问题：

OccNet 的关键思想是隐式地表示3D形状，而不是显式地表示。与直接编码形状几何信息不同，OccNet 将形状的表面建模为非线性分类器的决策边界。

• 隐式表示：Occupancy Networks 将 3D 形状表示为非线性分类器函数的决策边界 \(f_{\theta} : \mathbb{R}^2 \times X \rightarrow [0,1]\)

  这里，$X$​ 表示输入空间（例如，体素网格或点云），函数在给定点的输出表示该点的是否占用（该点在物体内部还是外部，下图中即红色在内部，蓝色在外部）

  

训练问题

1 尝试一

训练中：在 Dateset 的 __getitem__ 函数中进行 shuffle，导致每次迭代都会 shuffle 整个数据一次，耗费大量时间

• 在经过10000次迭代（20个epoch）后：

  • psnr 整体是呈现一个上升的趋势，在10000次迭代后在24左右

    

1 从明暗恢复形状

从明暗恢复形状（Shape from Shading，SfS）是指从图像的明暗信息推断出物体表面几何形状的过程。这个问题假设光照条件已知，目标表面是光滑且均匀的，并且照明是单向的。其基本思想是根据目标表面对光照的反应，推断出表面法线，从而得到表面的三维形状。

1 马尔可夫随机场

马尔可夫随机场（Markov Random Field，MRF），是概率无向图模型的一种，用于描述变量之间的关系，其中变量之间的连接是无向的。

MRF的结构和条件独立性质是基于团块和最大团块的概念来定义的。

团块是图中结点的子集，其中子集中的节点两两之间都直接连接，而最大团块则是不能再添加其他节点而保持两两连接的最大子集。