TOP📢注意：本网站部署在 Github Pages 上，请科学上网！🏃♂️➡️
本网站同时还部署在
Conda安装Pytorch和CUDA/GCC与一些环境Bug解决
在实验室服务器上的时候，一般是没有 root 权限的，而服务器可能只安装了特定版本的 CUDA 和 GCC，我们就需要自己安装自己需要版本的 CUDA/GCC 来满足安装包时的环境要求。
而 Conda 除了安装 Python 的包以外，其还提供了很多其他库——比如CUDA、GCC甚至还有 COLMAP
GAGAvatar 学习笔记
GAGAvatar（Generalizable and Animatable Gaussian Avatar），一种面向单张图片驱动的可动画化头部头像重建的方法，解决了现有方法在渲染效率和泛化能力上的局限。
Portrait4D-v2 学习笔记
作者提出了一种基于伪多视角视频的学习框架，绕过了不准确的3DMM重建的高度依赖（Portrait4Dv1 的 Limitation），核心思路是：
- 伪多视角数据生成：从单目视频生成多视角数据
Portrait4D 学习笔记
- 目标：学习一个模型，能够从源图像 和驱动图像 中提取外观和动作信息，合成出具有 外观和 动作的3D人头。
- 3D表示：采用基于 Tri-plane 的 NeRF 作为底层的3D表示方式，兼具高保真度和高效率。
EG3D 学习笔记
-
混合显式-隐式网络架构：提出了一种 Tri-plane 的3D表征方法，结合显式体素网格与隐式解码器的优点
- 速度快，内存效率高；
3DGS中Densification梯度累计策略的改进——绝对梯度策略（Gaussian Opacity Fields）
在学习 StreetGS 代码中发现了其中的 Densification 策略与原 3DGS 不太一样，其是使用的 Gaussian Opacity Fields 中的一个的策略
我们先来回忆一下 3DGS 中一个比较重要 contribution
OpenGL/GLUT实践：流体模拟——数值解法求解Navier-Stokes方程模拟二维流体
源码见GitHub：A-UESTCer-s-Code
最终的实现效果如下：
OpenGL/GLUT实践：水面模拟——从单振源到 Gerstner Wave
源码见GitHub：A-UESTCer-s-Code
Gerstner Wave 实现效果如下：
OpenGL/GLUT实践：弹簧-质量-阻尼系统模拟摆动的绳子和布料的物理行为
源码见GitHub：A-UESTCer-s-Code
二维的弹性物体最终实现的效果如下：
OpenGL/GLUT实践：粒子系统，并添加纹理、动态模糊、边界碰撞
源码见GitHub：A-UESTCer-s-Code
最终的火焰 Demo 效果：
OpenGL/GLUT实践：绘制旋转的立方体与雪人世界——添加光照与SOIL方式添加纹理
源码见GitHub：A-UESTCer-s-Code
旋转的立方体实现效果：
OpenGL/GLUT实践：实现反弹运动的三角形动画与键盘控制
源码见GitHub：A-UESTCer-s-Code
我们运行程序，得到一个运动的等腰三角形，当其触碰到边框时会反弹，并且可以通过键盘上的F1、F2、F3来控制颜色，wasd来控制速度。
Windows家庭版 WSL2非C盘详细安装配置与WSL代理设置+WSL基础环境CUDA安装
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）
详细解析Barlow Twins：自监督学习中的创新方法
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。
