weixin_43693967的博客

独立熵：HX−∑x∈X​logPx，表示X的不确定性条件熵：HY∣X−∑x∈X​∑y∈Y​PxylogPy∣x，表示在已知 X 的情况下，Y 的不确定性。联合熵：HXYHXHY∣XHYHX∣Y互信息：IX;YHXHY−HXYHX−HX∣YHY−HY∣X如果X与Y独立，则互信息为0简单理解条件熵：条件越多，事件的不确定性就越小，熵就越小。

这篇文章主要介绍了一种称为"网格几何谱压缩"的技术，用于对网格几何数据进行压缩。该方法利用了网格的谱性质，并通过保留关键频率分量来实现高效的压缩。作者通过实验证明了该方法在减小网格数据尺寸的同时，能够保持较高的几何质量和视觉效果。

网络预测的On是伯努利分布的参数，pn(t)表示体素格占用的概率在立方格n的拓扑T的概率由8个格点的占用概率决定。

随着深度神经网络的出现，基于学习的3D重建方法得到了普及。然而，与图像不同，在3D中没有计算和内存有效的规范表示，且允许表示任意拓扑的高分辨率几何。因此，许多最先进的基于学习的3D重建方法只能表示非常粗糙的3D几何，或者仅限于有限的区域。在本文中，我们提出了一种新的基于学习的3D重建方法- -占位网络。。与现有方法不同的是，我们的表示编码了，而没有过多的内存占用。我们验证了我们的表示可以有效地编码3D结构，并且可以从各种输入中推断出来。