qq_51221943的博客

本文提出了一种概率回归扩散模型用于头部姿态估计，称为HeadDiff，该模型特别针对旋转不确定性进行了处理，尤其是在野外条件下捕捉到的面部图像。与传统的图像到姿态的方法不同，这些方法无法明确建立头部姿态的旋转流形，HeadDiff旨在通过扩散过程确保姿态旋转，并同时迭代地细化映射过程。具体来说，最初将头部姿态估计问题形式化为一个反向扩散过程，定义了一个在流形上逐步去噪的范式，通过将大的差距分解为中间步骤来探索不确定性。此外，HeadDiff通过编码旋转表示中的不相干信息，配备了各向同性高斯分布。

*参考视频：[B站score-based model讲解](https://www.bilibili.com/video/BV1VP411u71p/)论文原文：[Generative Modeling by Estimating Gradients of the Data Distribution](https://arxiv.org/abs/1907.05600)本文提出了一个全新的生成模型，不是直接学习数据的分布，而是通过预测数据分布的对数梯度（即score分数）来构建一个生成模型。

PointNet:Deep Learning on Point Sets for 3D Classification and SegmentationPointNet：3D点集分类与分割深度学习模型摘要总结：1.点云是一个重要的数据结构，所以有研究的必要。2.点云有自己本身的特性，也就是 irregular format（格式不规则），之前的研究人员都想将其转化为一种立体模型，但是这恰恰是丢失了其本身的特性。机器学习，先要提取信息，之后再将提取到的信息进行分析得出结果。我个人理解这里有一个问题就是

(2）解压后，将压缩包中的两个文件夹放置到你当前包的安装环境中，例如，我新建虚拟环境OpenSee，在该环境下我的包安装目录为（一般在当前环境的路径下的Lib文件夹中的site-packages路径下）命令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python。命令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple timm==0.4.12。

PointCNN: 经过X变换后的点的卷积摘要总结我们提出一种从点云中学习特征的通用框架。CNN网络成功的关键是卷积操作，它可以利用网格中密集数据在局部空间上的相关性（比如：图片）。然而，点云是不规律且无序的，因此，直接对点的特征进行卷积，会导致形状信息和点排列多样性的损失。我们提出通过在输入点云中学习X-转换，以此改善两个问题：（1）输入点特征的权重（2）将点排列为潜在、规范的顺序。我们将典型卷积操作符的乘与和运算，应用在X-转换后的特征上。介绍总结局部空间相关性是在多种数据普遍存在的性质，独立于