暗通道matlab代码基于图的盲图像去模糊 该代码是我们的TIP论文“从单张照片中基于图的盲图像去模糊”的升级实现。 先决条件 Matlab（> = R2015a） 运行测试 Step 1. run graph_blind_main.m Step 2. select a blurred image 参数 用户只需要调整一个参数。 在第21行，估计的内核大小k_estimate_size 。 该k_estimate_size必须比真正的内核大小（默认值为69）放大。 为了获得最佳性能，请将该值设置为接近实际内核大小，并稍大一些。 如果要关闭中间输出，可以在第22行设置show_intermediate = false 。 关于噪音 为了使噪声更强健，我们在本文之外增加了一些降噪模块。 我们嵌入了一个去噪电视，以对输入图像进行预处理。 我们为中间输出内核添加了一个小波域过滤。 我们添加了一个蒙版来过滤梯度域中的小/噪声梯度。 诸如BM3D之类的更复杂的去噪功能可以由用户预先完成。 关于非盲图像去模糊 在使用提出的算法进行内核估计之后，我们使用最新技术来进行非盲图像去模糊。 在这里，我们为用

姿势图优化 使用Ceres Solver进行2D姿态图优化的示例代码。 依存关系 本征3.3或更高版本 Ceres Solver 1.12.0或更高版本 Gflags 2.2.0或更高版本 带有matplotlib的Python 建造 $ git clone https://github.com/shinsumicco/pose-graph-optimization.git $ cd pose-graph-optimization $ mkdir build $ cd build $ cmake .. $ make -j4 优化 $ cd pose-graph-optimization/build $ bin/se2_optimize --filename ../sample/manhattan.g2o Number of poses: 3500 Number of constraints

细胞景观扩张崩溃 描述 此扩展提供了一个接口，用于扩展/折叠节点和边缘，以便更好地管理根据分发的Cytoscape.js复合图的复杂性。 使用此扩展程序时，请引用以下论文： U. Dogrusoz，A。Karacelik，I。Safarli，H.Balci，L.Dervishi和MC Siper，“”，PLoS ONE，13（5）：e0197238，2018年。 演示版 请点击（不可撤消的和自定义提示图像），或（撤消）或（化合物最初是折叠）的演示。 单击获取不可撤消的边缘展开折叠演示。 原料药 请注意，化合物是节点。 cy.expandCollapse(options)使用给定的选项初始化扩展。 var api = cy.expandCollapse('get')在初始化后获取扩展实例。 与上面的函数不同，以下函数获取在特定事件期间应用的options参数。 api.colla

介绍snoopy仿真软件的功能和使用。snoopy是一种功能全面的Petri网仿真和分析工具。

llvm2cpg llvm2cpg是将LLVM位代码转换为代码属性图（CPG）的工具。 可以通过或进一步分析CPG。 首先，请务必。 之后，继续并学习如何。 如果您有任何疑问，请随时或进行。

主要邻里聚集 在PyTorch，DGL和PyTorch Geometric中实现图网的主要邻域聚合 。 概述 我们提供PyTorch，DGL和PyTorch Geometric框架中的主要邻域聚合（PNA）的实现，以及用于生成和运行多任务基准的脚本，用于运行实际基准的脚本，灵活的PyTorch GNN框架以及其他实现用于比较的模型。 该存储库的组织方式如下： models包含： pytorch包含在PyTorch中实现的各种GNN模型： 聚合器，缩放器和PNA层（ pna ）的实现 可以与任何类型的图卷积一起使用的灵活GNN框架（ gnn_framework.py ） 本文中用于比较的其他GNN模型的实现，即GCN，GAT，GIN和MPNN dgl包含通过实现的PNA模型：聚合器，缩放器和层。 pytorch_geometric包含通过实现的PNA模型：聚合器，缩放器和图层。

matlab微分方程代码基于图的神经算子 该存储库包含以下两篇论文的代码： 图形内核网络（GKN） 我们建议使用图神经网络来学习偏微分方程的解算子。 我们工作的关键创新在于，在精心设计的网络体系结构中，可以使用一组网络参数来描述无限维空间之间以及这些空间的不同有限维近似之间的映射。 多极图内核网络（MGKN） 受经典多极方法的启发，我们提出了一种多级图神经网络框架，该框架仅以线性复杂度即可捕获所有范围内的相互作用。 我们的多级表示等效于将归纳点递归添加到内核矩阵，用内核的多分辨率矩阵分解统一GNN。 实验证实，我们的多图网络可以学习PDE的离散不变解算子，并且可以在线性时间内进行评估。 要求 档案文件 代码采用简单脚本的形式。 每个脚本应该是独立的并且可以直接运行。 数据集 我们提供了本文中使用的Burgers方程和Darcy流数据集。 数据生成可以在论文中找到。 数据以matlab文件的形式给出。 可以使用Utility.py中提供的脚本来加载它们。

ElasticFusion 是　kinnectfusion 的升级版，3D建模的必读文章

SelfSAGCN Self-Supervised Semantic Alignment for Graph Convolution Network

图论于Python 图论算法是在python中实现的。 Jupyter Notebook用于演示该概念，Networkx库在多种算法中用于可视化图形。