<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[oj_geen的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/oj_geen</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; oj_geen]]></copyright><item><title><![CDATA[Metric—Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/161660928</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/161660928</guid><author>oj_geen</author><pubDate>Wed, 10 Jun 2026 08:16:37 +0800</pubDate><description><![CDATA[文章摘要 本文提出了一种名为度量—相位场（MPF）的新型隐式表示方法，用于从无向点云中重建薄结构和开放边界曲面。传统的有符号距离函数（SDF）在水密流形上表现良好，但难以处理薄结构和开放边界；而无符号距离场（UDF）虽能适应这类几何形状，却因梯度奇异性导致优化和曲面提取困难。MPF通过解耦度量接近性（无符号距离场r）与拓扑相位（平滑相位场θ）来解决这一问题，其中相位场通过可学习的双曲正切变换生成有界相位指示器P=tanh(βθ)，提供软内部—外部线索。通过门控度量公式耦合两个场，MPF在保持近曲面稳定梯度的]]></description><category></category></item><item><title><![CDATA[Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/160569134</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/160569134</guid><author>oj_geen</author><pubDate>Mon, 01 Jun 2026 15:25:25 +0800</pubDate><description><![CDATA[三维点云异常检测是构建鲁棒视觉系统的关键环节，但面临姿态变化与复杂几何异常的双重挑战。现有基于局部块的方法通常采用离散体素化或投影式表征，往往存在几何保真度不足的问题，限制了细粒度异常定位的能力。本文提出姿态感知有符号距离场（Pose-Aware Signed Distance Field, PASDF），一种通过学习连续、姿态不变的形状表征，实现三维异常检测与修复一体化的新框架。PASDF采用姿态对齐模块完成标准化处理，并通过SDF网络动态融合姿态信息，从而从连续的SDF中隐式学习高保真异常修复模板。]]></description><category></category></item><item><title><![CDATA[Parameter is Not All You Need:Starting from Non-Parametric Networks for 3D Point Cloud Analysis 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/161481960</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/161481960</guid><author>oj_geen</author><pubDate>Mon, 01 Jun 2026 15:24:35 +0800</pubDate><description><![CDATA[本文提出了一种用于3D点云分析的非参数网络Point-NN，它仅由不可学习组件（FPS、k-NN、池化和三角函数）构成，无需任何参数或训练即可在各种3D任务上表现良好。基于此，作者进一步提出两种扩展：1）将Point-NN作为基础架构，通过插入线性层构建参数高效的Point-PN；2）将Point-NN作为即插即用模块，在推理阶段直接增强现有3D模型的性能。实验表明，Point-NN在少样本场景下优势明显，其衍生模型Point-PN仅需少量参数即可达到竞争力性能，而作为插件能稳定提升现有方法的表现。]]></description><category></category></item><item><title><![CDATA[AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/159114425</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/159114425</guid><author>oj_geen</author><pubDate>Mon, 30 Mar 2026 18:39:26 +0800</pubDate><description><![CDATA[尽管Transformer架构已成为自然语言处理任务的事实标准，但其在计算机视觉领域的应用仍较为有限。在视觉领域中，注意力机制要么与卷积网络结合使用，要么在保留卷积网络整体结构的前提下替换其中部分组件。我们的研究表明，这种对卷积神经网络（CNN）的依赖并非必要，直接将纯Transformer应用于图像块序列，也能在图像分类任务上取得出色表现。]]></description><category></category></item><item><title><![CDATA[DiffCD: A Symmetric Differentiable Chamfer Distance for Neural Implicit Surface Fitting 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/159509272</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/159509272</guid><author>oj_geen</author><pubDate>Mon, 30 Mar 2026 14:29:05 +0800</pubDate><description><![CDATA[神经隐式曲面可用于从不完美的点云中恢复精确的三维几何。在本文中，我们指出：当前最先进的技术本质是通过最小化单侧倒角距离的近似值来工作的。这一形状度量并不对称——它仅保证点云靠近曲面，却不保证曲面靠近点云。因此，现有方法可能生成带有伪曲面的不准确重建结果。尽管文献中广泛使用一种对抗伪曲面的方案，但我们从理论和实验上证明：该方案等价于对表面积进行正则化，会导致过度平滑。作为更具吸引力的替代方案，我们提出 DiffCD——一种对应对称倒角距离的新型损失函数。]]></description><category></category></item><item><title><![CDATA[Towards High-Resolution 3D Anomaly Detection: A Scalable Dataset ... MiniShift-Simple3D 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/158919101</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/158919101</guid><author>oj_geen</author><pubDate>Thu, 12 Mar 2026 15:08:11 +0800</pubDate><description><![CDATA[基于该流水线，我们构建了MiniShift——首个高分辨率3D异常检测数据集，该数据集包含2577个点云样本，每个样本包含50万个点，且异常区域占比均不足整体的1%。我们进一步提出了**Simple3D**，这是一套高效的检测框架，融合了多尺度邻域描述子（Multi-scale Neighborhood Descriptors, MSND）与局部特征空间聚合模块（Local Feature Spatial Aggregation, LFSA），能够以极低的计算开销捕捉复杂的特征。]]></description><category></category></item><item><title><![CDATA[LightGlue: Local Feature Matching at Light Speed 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/158609487</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/158609487</guid><author>oj_geen</author><pubDate>Sun, 08 Mar 2026 20:11:04 +0800</pubDate><description><![CDATA[我们提出了LightGlue，一种用于学习跨图像匹配局部特征的深度神经网络。我们重新审视了稀疏匹配领域的当前最优方法SuperGlue的多项设计决策，并提出了简单而有效的改进方案。这些改进累计使得LightGlue在内存和计算效率上更优、精度更高，且训练难度大幅降低。其关键特性之一是能够根据问题难度自适应调整：对于视觉重叠度高、外观变化小等直观上易于匹配的图像对，推理速度显著更快。这为在3D重建等对延迟敏感的应用中部署深度匹配器开辟了广阔前景。]]></description><category></category></item><item><title><![CDATA[conda下载在服务器中 且环境存在指定目录下面]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/157175353</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/157175353</guid><author>oj_geen</author><pubDate>Wed, 21 Jan 2026 13:38:55 +0800</pubDate><description><![CDATA[本文介绍了Conda环境管理的三个实用技巧：1) 将Conda环境创建到自定义目录，并通过配置envs_dirs实现快捷激活；2) 确保虚拟环境中pip安装的包独立于全局环境；3) 安装个人专属Miniconda解决权限问题。详细说明了从下载安装Miniconda到在PyCharm中配置专属环境的完整流程，包括关键命令如conda create --prefix、conda config --add envs_dirs等操作。特别强调了安装路径选择和初始化配置的重要性，以及如何验证安装成功，最终实现在PyC]]></description><category></category></item><item><title><![CDATA[读取Real3D-AD中出现的问题 及 解决方法（自存）]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/157137320</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/157137320</guid><author>oj_geen</author><pubDate>Wed, 21 Jan 2026 13:33:36 +0800</pubDate><description><![CDATA[Python 3.10与Open3D 0.18.0版本需匹配使用，否则会出现读取点云数据时的兼容性问题。不匹配版本会导致o3d.io.read_point_cloud()函数报错，需手动编写替代函数。常见错误为UTF-8解码失败（如&quot;UnicodeDecodeError&quot;），提示字节解码异常。建议保持版本对应以确保功能正常使用。]]></description><category></category></item><item><title><![CDATA[pytorch3d模块及使用（自存）]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/157178537</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/157178537</guid><author>oj_geen</author><pubDate>Wed, 21 Jan 2026 13:32:36 +0800</pubDate><description><![CDATA[PyTorch3D提供了3D深度学习的关键功能模块，主要包括：1) ops模块包含核心3D操作，如knn_points点云处理和sample_farthest_points采样；2) loss模块提供3D专用损失函数，如chamfer_distance用于点云匹配；3) 其他重要模块包括renderer渲染和structures数据结构。这些模块共同支持3D数据的处理、计算和优化，为3D深度学习任务提供完整工具链。]]></description><category></category></item><item><title><![CDATA[Point-SRA: Self-Representation Alignment for 3D Representation Learning 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/156949593</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/156949593</guid><author>oj_geen</author><pubDate>Fri, 16 Jan 2026 08:47:01 +0800</pubDate><description><![CDATA[本文提出Point-SRA方法，通过自表征对齐机制提升3D点云表征学习性能。研究发现不同掩码率会产生互补性表征：低掩码率保留几何细节，高掩码率捕捉语义抽象。针对现有固定掩码率和逐点重建的局限性，提出双自表征对齐机制：在MAE层面整合不同掩码率的表征，在MeanFlow Transformer（MFT）层面对齐不同时间步的表征。MFT采用概率建模解决重建不确定性，支持多样化生成。实验表明，Point-SRA在ScanObjectNN分类任务上比Point-MAE提升5.37%，在动脉瘤分割任务中达到86.87]]></description><category></category></item><item><title><![CDATA[PointMAE的代码配环境+运行]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/156937075</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/156937075</guid><author>oj_geen</author><pubDate>Wed, 14 Jan 2026 14:37:47 +0800</pubDate><description><![CDATA[本文介绍了PointMAE模型的安装配置、数据集准备和常见报错解决方案。主要内容包括：1) 在隔离环境中配置CUDA 11.3并安装torch等依赖库；2) 安装Pointnet2_PyTorch、KNN_CUDA等关键组件；3) 准备ShapeNet55数据集并编写脚本划分训练/测试集；4) 解决了timm版本不匹配和RuntimeError等常见报错。配置过程详细记录了各组件版本号，为PointMAE的预训练提供了完整的环境搭建指南。]]></description><category></category></item><item><title><![CDATA[pip 隔离环境内 安装 cuda 113 不覆盖原有的全局 cuda 115]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/156904505</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/156904505</guid><author>oj_geen</author><pubDate>Tue, 13 Jan 2026 15:44:08 +0800</pubDate><description><![CDATA[先通过指定路径安装CUDA 11.3，避免覆盖现有11.5；修改目标虚拟环境的activate脚本，实现“激活环境=用11.3，退出=恢复11.5”；验证核心：激活环境后nvcc -V显示11.3，退出后显示11.5，即配置成功。]]></description><category></category></item><item><title><![CDATA[Xshell 配置 指定的python环境]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/156851112</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/156851112</guid><author>oj_geen</author><pubDate>Mon, 12 Jan 2026 10:06:45 +0800</pubDate><description><![CDATA[本文详细介绍了在Linux系统上从源码编译安装Python 3.10.9的完整步骤。首先下载并解压Python源码包，然后配置编译参数并指定安装路径。接着进行源码编译和系统安装，完成后配置环境变量使新安装的Python生效。最后通过版本验证确认安装成功。文中还补充了在Ubuntu/Debian系统上安装Python编译所需依赖包的命令，确保编译过程顺利进行。整个流程涵盖了从下载到验证的全部关键步骤，适合需要自定义Python环境的用户参考。]]></description><category></category></item><item><title><![CDATA[A Lightweight 3D Anomaly Detection Method with Rotationally Invariant Features 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/156570470</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/156570470</guid><author>oj_geen</author><pubDate>Mon, 05 Jan 2026 11:03:34 +0800</pubDate><description><![CDATA[为解决这一问题，我们提出一种面向三维异常检测的新型旋转不变特征（RIF）框架：首先，为消除点云数据变异的不利影响，我们提出点坐标映射（PCM）技术，将每个点映射到旋转不变空间，以保持表示的一致性；其次，为学习鲁棒且具有区分性的特征，我们设计了轻量级的卷积变换特征网络（CTF-Net），用于提取旋转不变特征并存入记忆库；为提升特征提取器的性能，我们引入迁移学习思路，结合三维数据增强对特征提取器进行预训练。]]></description><category></category></item><item><title><![CDATA[CASL: Curvature-Augmented Self-supervised Learning for 3D Anomaly Detection 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/155944334</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/155944334</guid><author>oj_geen</author><pubDate>Tue, 16 Dec 2025 16:53:42 +0800</pubDate><description><![CDATA[我们发现：仅将每个点的曲率作为异常得分的方法，已能优于多个经典自监督模型与专属异常检测模型，这凸显了曲率在三维异常检测中的关键作用。在本文中，我们提出一种基于重建范式的曲率增强自监督学习（CASL）框架。该方法以经典U-Net架构为基础，引入多尺度曲率提示，引导解码器预测每个点的空间坐标。无需依赖任何专属的异常检测机制，仅通过简单的异常分类微调，该方法就取得了领先的检测性能；此外，学到的表征在点云分类等标准三维理解任务中也具有良好的泛化性。]]></description><category></category></item><item><title><![CDATA[Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised AD]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/155530658</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/155530658</guid><author>oj_geen</author><pubDate>Thu, 04 Dec 2025 18:57:07 +0800</pubDate><description><![CDATA[本文提出了对标准扩散模型的重构方案，专门针对“选择性区域修改”进行设计，以实现异常的精准识别。通过将异常建模为潜空间中的噪声，我们提出的“偏差修正扩散（DeCo-Diff）模型”能够保留正常区域，并仅对异常区域进行变换。这种选择性方法提升了重建质量，有助于对异常区域开展有效的无监督检测与定位。]]></description><category></category></item><item><title><![CDATA[UniNet: A Contrastive Learning-guided Unified Framework with Feature Selection for Anomaly Detection]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/155036049</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/155036049</guid><author>oj_geen</author><pubDate>Wed, 03 Dec 2025 13:47:52 +0800</pubDate><description><![CDATA[异常检测（AD）是一项关键的视觉任务，旨在识别样本中的异常模式。然而，大多数现有异常检测方法的泛化能力有限，因为它们主要是为特定领域的应用（如工业场景）设计的，在应用于其他领域时往往表现不佳。这一挑战主要源于不同领域间特征的固有差异。为了弥合这一领域差距，我们提出了UniNet，这是一个通用的统一框架，融合了有效的特征选择和对比学习引导的异常判别。]]></description><category></category></item><item><title><![CDATA[Boosting Global-Local FeatureMatchingviaAnomalySynthesisforMulti-ClassPointCloudAnomalyDetection论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/154542004</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/154542004</guid><author>oj_geen</author><pubDate>Sun, 09 Nov 2025 20:03:46 +0800</pubDate><description><![CDATA[点云异常检测对各类工业应用至关重要。产品类别增多带来的巨大计算和存储成本限制了单类无监督方法的应用，因此亟需发展多类无监督方法。然而，不同类别数据中正常点与异常点之间的特征相似性会引发特征混淆问题，极大阻碍了多类方法的性能。为此，我们提出一种名为GLFM的多类点云异常检测方法，通过全局-局部特征匹配逐步分离多类中易混淆的数据。]]></description><category></category></item><item><title><![CDATA[Shape-Guided Dual-Memory Learning for 3D Anomaly Detection 论文精读]]></title><link>https://blog.youkuaiyun.com/oj_geen/article/details/153834620</link><guid>https://blog.youkuaiyun.com/oj_geen/article/details/153834620</guid><author>oj_geen</author><pubDate>Fri, 07 Nov 2025 17:37:38 +0800</pubDate><description><![CDATA[我们提出一种形状引导的专家学习框架，用于解决无监督三维（3D）异常检测问题。该方法基于两个专用专家模型的有效性及其协同作用，从颜色和形状模态中定位异常区域。第一个专家利用几何信息，通过对局部形状周围的隐式距离场建模，探测3D结构异常；第二个专家结合与第一个专家关联的2D RGB特征，识别局部形状上的颜色外观不规则性。我们利用这两个专家，从无异常的训练样本中构建双记忆库，并执行形状引导的推理，以精确定位测试样本中的缺陷。]]></description><category></category></item></channel></rss>