欢迎来到我的博客～

11 个场景（Artroom、Bandsaw、Chess、Curule、Octogons、Pendulum、Skates、Skiboots、Traproom、Ladder、Podium），每场景 1–3 个视角；克隆 KITTI Tracking 基准的 5 条序列（Scene01、Scene02、Scene06、Scene18、Scene20），并引入不同天气（雾、雨）与相机旋转（±15°）变体。同步采集自 3 个城市的 464 个不同室内场景（公寓、办公室、走廊等），20–30 FPS 视频序列。

内部协变量偏移指的是在深度神经网络训练过程中，由于网络参数的更新，每一层的**输入分布**会发生变化，这种变化会影响到下一层的学习效果，使得训练过程变得不稳定，需要使用较小的学习率和精心设计的参数初始化策略来减轻其负面影响。

深度估计（Depth Estimation）是指从二维图像或多视图输入中预测场景中每个像素到摄像机的距离，输出通常为深度图。该任务是三维重建、场景理解、自动驾驶与增强现实等下游应用的关键前置步骤。多视几何：基于特征点匹配与三角化重建深度，经典算法包括 SIFT 匹配与光度一致性优化。形状从焦：利用不同焦距图像中的模糊程度估计深度，同样属于几何推导范式。

CMA-ES（协方差矩阵自适应进化策略）是一种无导数的优化算法，适用于解决非线性、非凸的连续优化问题。其核心在于通过自适应调整搜索分布的均值、协方差矩阵和步长，利用最大似然原则和演化路径两大思想，高效地更新搜索分布参数。算法步骤包括初始化、采样、排序与加权重组、更新演化路径、协方差矩阵更新和步长控制。CMA-ES的优势在于无需梯度信息，能够自适应搜索方向，并具有较强的鲁棒性。以优化n维球函数为例，CMA-ES能够通过迭代使均值收敛至最优解。

概率分布（Probability Distribution）指的是随机变量所有可能取值及其对应概率的集合。它描述了一个随机变量可能取的所有值以及每个值被取到的概率。

梯度是多元函数在某一点处变化率最大的方向及其大小，通常用于标量场，表示为向量场。梯度下降算法通过迭代优化，沿着梯度的反方向移动，以最小化目标函数。其基本步骤包括初始化参数、定义损失函数、计算梯度和更新参数。梯度下降算法的变种如随机梯度下降、动量和学习率自适应等，分别解决了内存开销、收敛速度和震荡问题。此外，AdaGrad、RMSProp和Adam等算法通过自适应学习率和动量机制，进一步提高了模型训练的效率和稳定性。选择合适的优化算法对模型性能和训练效率有显著影响。