点要素的连通性 依边线连通：即HORNOR策略是根据边线元素的连通性策略决定交汇点与边 线的连通性。 交点处连通：即OVERRIDE策略是交汇点与边线的连通策略为任意节点处连通，忽略边线的连通策略。 包括HONOR与 OVERRIDE策略，点指交汇点

以下步骤介绍了使用WLS进行图像融合的算法： （1）在我们的算法中，第一步是基于各向异性扩散（ANI）的两尺度分解，该分解用于在每次输入曝光时将较粗糙的细节（基础层）和较精细的细节（细节层）分开。 （2）弱纹理细节（即从ANI计算得出的细节层）和饱和度度量用于生成权重蒙版，以控制来自所有所有多次曝光中分离的基础层的像素的贡献。 （3）分别对第一步中计算的较粗细节和较细细节分别执行基于加权最小二乘（WLS）和基于Sigmoid函数的权重图细化。 （4）执行基于加权平均的较粗细节和较细细节的混合，以形成合成的无缝图像，而不会在大的不连续点附近模糊或丢失细节。

细节增强的matlab代码RRT明星 RRT星动计划 这是RRT *算法的Matlab实现，它是RRT的“增强”版本。 示例运行： 磁石颜色中的线表示障碍物。 黑线代表创建的快速探索树。 红线是从起点到终点的最终路径。 另一个非常幸运的发现： 该算法仅通过幸运地对一个点进行采样就找到了一条路径。 否则它将找不到路径，因为RRT *在狭窄的通道中无法很好地工作。 没有路径示例： rrt及其狭窄通道时变体不好，在这里我们可以看到算法无法找到从起点到终点的路径 高层次的解释 使用随机均匀抽样，我们选择一个点的坐标，然后尝试将其连接到当前树。 （起初仅由起点组成），我们尝试将此新点连接到树中最近的顶点。 只有在线路没有碰到任何障碍物的情况下，我们才能连接它们。 重复此过程，直到例如到达多个所需的树节点为止。 最后，我们找到最接近终点的点，并尝试将它们连接起来，如果能够的话，我们已经找到了一条路径。 （由于我们正在统一采样点，因此我们不太可能无法到达终点）如果涉及到一条狭窄的通道，则此算法很有可能找到一条路径。 除了RRT，对于每个随机点x_rand，该算法还会找到树中距随机点半径r的圆内的所有

神经几何细节水平：使用隐式3D曲面进行实时渲染 NGLOD的官方PyTorch代码（TBD）。 有关技术细节，请参阅： 神经几何细节水平：使用隐式3D曲面进行实时渲染 ， ， ， ， ， ， ， 和 提交中，2021年[] [ ] []

细节增强的matlab代码多尺度曝光融合 2017年细节增强型多尺度曝光融合的matlab代码本文分为A和B部分。 零件代码：主要用于融合不同的曝光图像，此处的代码基于参考文献[12]和[13]进行了一些修改。 B部分的代码：主要是为了增强融合图像的细节，而优化部分的代码则基于参考文献[31]。

写科研论文导师不传授的细节.zip

淘宝美工

DataLoader Dataset不能满足需求需自定义继承torch.utils.data.Dataset时需要override __init__, __getitem__, __len__ ，否则DataLoader导入自定义Dataset时缺少上述函数会导致NotImplementedError错误 Numpy 广播机制： 让所有输入数组都向其中shape最长的数组看齐，shape中不足的部分都通过在前面加1补齐 输出数组的shape是输入数组shape的各个轴上的最大值 如果输入数组的某个轴和输出数组的对应轴的长度相同或者其长度为1时，这个数组能够用来计算，否则出错 当输入数组的某个轴

通过蚁群算法实现对于TSP（旅行商问题）的求解，关于蚁群算法中的各个参数的含义和公式可在我的博客中找到

OSPF超详解 理论 LSA 7类 区域划分 OSPF虚链路和不同进程相互导入 stud区域和nssa区域 网络类型 OSPF汇总和安全认证 虚链路 OSPF不连续区域之多进程导入 路由 OSPF路由过滤之route-policy