Epic

Bilateral filter Bilateral filter https://blog.csdn.net/DDDDWJDDDD/article/details/146882642 https://people.csail.mit.edu/sparis/publi/2006/eccv/Paris_06_Fast_Approximation.pdf The bilateral filter was first introduced by Smith and Brady under the name “SUSAN” .It was rediscovered later by Tomasi and Manduchi [1] who called it the “bilateral filter” which is now the most commonly used name. 空间权重 + 颜色权重 双边滤波的计算依赖两个权重： 空间权重（几何权重）spatial domain S...

...

软/硬链接 - 实现本地笔记选择性更新到博客 参照上一篇，已经设置好静态渲染时候md和图片素材的位置关系，即在xxx\source\_posts路径下有一对文件和文件夹： xxx.md xxx 接下来需要通过符号链接形式来绑定: mklink /D /J /H 链接名称(假) 目标目录路径（真） 12mklink "F:。。。\source\_posts\xxx.md" "E:。。。\xxx.md" # /JDH都不要加mklink /D "F:。。。\source\_posts\xxx" "E:。。。\xxx" #/J 也行 在post 目录下 输入dir /al 就可以看到： 12025/09/14 02:28 <SYMLINKD> xxx.md [E:。。。\xxx.md Windows系统的链接 img 我们可以看到硬链接和文件名都是直接指向文件的, 二者只是同一个文件的不同标签而已.软链接是指向文件名的,...

视觉信号的神经通路 ref: <<神经科学:探索脑>> 视网膜 → 外侧膝状体核LGN →V1/初级视皮层*纹状皮层 →颞叶与顶叶 image-20240827225253370 视觉内容在LGN的投射和实验证明 切片是垂直于皮层切的 image-20240827230133287 纹状体眼优势柱（左右眼） 和斑块区（方位） 在平行于皮层的切面方向，眼睛的轴突投射并非是均匀展开的，而是被分为一系列空间大小相等的条块，每个宽约0.5mm， 这些条块为眼优势祝 ocular dominance column 。 image-20240827231636105 投影拓扑图 image-20240827232639901 视觉通路的 normalization https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1009028 Learning divisive...

第一份工作并不那么风光，也没有想象的钱多，每天做着琐碎的事情。常常是一边抱怨着工作，一边无奈自己的受限的能力。曾经的我励志要扭转自己的专业和航道，却在工作和年龄中逐渐消磨。 不愿如此，只做着打杂的事情，想学硬件，现在却越走越远，形同陌路。原来的我眼中闪光，计划未来，现在的我只像韩国电影《寄生虫》般，想着如果。 身旁活得比自己成功，天资聪颖的人，他们知道时间投在那些具有效益地方，而我却如此拧巴，没有更强的能力，却天天投在无用的幻想中，脚不踏实地。未来的自己去向何方，我真能对世界有更多的了解吗，还是这样浑浑噩噩，走向晚年。我好害怕最终活成那样。。。。。。

NIQE 引言 随着多媒体内容在互联网上不断增多，传输在感知上具有高质量的图像需求也随之增长。即在保证图像质量没有明显损失的前提下，快速传输内容。而在大多数情况下，人们通常是没有途径获取原始无损的图像的，而仅仅是对接收到的当个图形进行评价，这种情况下就是我们通常所说的无参评估。 关于NR-IQA的方法，可以分为以下几类： 按提取的信息类型分 基于distortion评估 基于subjective/objective score 评估 按是否需要训练分 需要带有label的训练集 端到端训练 提特征+分类/回归器 基于无损数据集的统计信息，具有一定解释性 全基于理论，对数据集的依赖小，具有较强可解释性 一些IQA算法 algorithm author type year BIQI moorthy wavelet coefficients DIIVINE Moorthy 88...

IQA model 分类 在图像质量评估(IQA)领域，OA、OU、DA和DU是描述评估模型特性的术语，它们分别代表： OA (Opinion-Aware): 意见感知型。这种类型的IQA模型在训练阶段使用了人类对失真图像的评分数据。换句话说，这些模型通过学习人类对图像质量的主观评价来预测图像质量。OA模型能够评估它们在训练数据中见过的失真类型。 DIVINE CBIQ LBIQ BLIINDS BRISQUE OU (Opinion-Unaware): 意见不感知型。与OA模型不同，OU模型在训练时不使用人类对失真图像的评分。它们不依赖于人类对特定失真类型的主观评价，而是通过其他方式来评估图像质量。 DA (Distortion-Aware): 失真感知型。DA模型在设计时考虑了特定的失真类型，它们通过训练来识别和评估这些特定的失真。这些模型对它们训练中包含的失真类型有更好的评估能力。 DU (Distortion-Unaware):...

BRISQUE 原理 朴素原理：自然无损的图像之间他们的某些统计属性更接近，而非寻常的人工图像（或是内容非自然或者自然图像经过失真处理）则不符合经验分布，比如下面两个图，左侧的图像亮度符合高斯，而人为的图像则不符合。于是有别于通过识别不同distortion类型判断失真程度，比如 blur、noise、compression ， 我们还可以通过与自然图像的总体统计值的偏差deviation 来评估感知质量。 Underlying Gaussianity of natural images BRISQUE则是属于后者的一类 通过分析NSS的无参图像评估 方法。 Natural Scene...

109 feature map: image-20240817142408450 image-20240817142419402 image-20240817142425897 image-20240817142432930 image-20240817142439099 image-20240817142447700 image-20240817142454338 image-20240817142500951

chan vess segmentation sign illustration f : denote the given grayscale image, f(x),x is point t : iteration t's border matrix, binary bool ?, describe as iteration th 's edge result, is closed curve mask ε : Heaviside regularization,custom params, = 1 x : pixel/position in image,2D φ : level set function, φ(i,j),φi,j : φ value at point(i,j) C : an edge set curve image Boundary C represented as the zero level set of implicit function φ(x, y)1 H : Heaviside...