a blog driven by interest～
翻老代码发现之前写了一个简单的符号工具箱化简方程，好久不用遗忘了，留个代码备份
一、偏微分方程
这篇博客是论文：High Accuracy Optical Flow Estimation Based Theory for Warp 的笔记，论文为2004年，在2015年EpicFlow方法中引用。
在稠密光流估计中，最后一步往往是将光流图进行Refine和smooth，来确保光流在空间上连续，大部分区域符合刚体运动假设，同时也会处理遮挡，为遮挡区域提供连续的光流值。
在介绍的论文中，建立了一个能量函数，将光流图的优化和优化能量函数联系起来。论文偏向传统，但是也很经典，接下来一起看下做法。
这篇博客介绍 Google 近年来在Photography方面一篇具有代表性的论文，Deep Bilateral Learning for Real-Time Image Enhancement
HDRNET的主要特征数数据分成两路，低分辨率偏向high level语义，这一路学习到的是一系列参数（分mesh的3×4 color matrix），学习参数需要的计算资源相对于学习输出图需要的资源更少，移动端部署更加方便。高分辨率一路更偏向low-level引导，学些引导图和参数apply。
两张图片就可以生成一小段视频，效果很不错，可以直接在网站上用demo玩儿一玩儿。
网站和源码：https://film-net.github.io/
Google AI Blog：https://ai.googleblog.com/2022/10/large-motion-frame-interpolation.html
京东方的一篇论文，主打轻量级网络做Real-Time SR，只有一层，对标传统bicubic上采样，因为轻量，所以实用，同时一层网络的可解释性也更强。
论文地址：Edge-SR：Super-Resolution For The Masses
Hugging face起初是一家总部位于纽约的聊天机器人初创服务商，聊天机器人服务没搞起来，但是hugging face在github上开源的transformers库大火，已经成为机器学习届最活跃的开源社区。这篇博客简单介绍下怎样从hugggingface获取数据和使用模型。
hugging face的官方网站：http://www.huggingface.co./ 。 我们基本可以从这里捞到很多数据集、预训练模型、课程 和 文档。
部署stable diffusion ai绘图，需要 nvidia 显卡，至少需要6G显存（显存越大越好，高清图片需要更大显存）。这篇博客适用于一些有代码基础的同学（也就是不会手把手告诉怎么搭建python环境、clone代码），完全没接触过代码的同学可以找其它教程。
Stable Diffusion 官网地址： https://stability.ai/blog/stable-diffusion-public-release
Stable Diffusion 代码仓库： https://github.com/CompVis/stable-diffusion
模型下载（该链接建议从头阅读）：https://stable-diffusion-art.com/models/#Stable_diffusion_v15
https://huggingface.co/CompVis/stable-diffusion
训练和使用Lora：https://zhuanlan.zhihu.com/p/624230991
webui：https://github.com/AUTOMATIC1111/stable-diffusion-webui
各种不同的卷积滤波核有不同的频率响应特性，我们以bicubic插值kernel为例，用Matlab绘制出频谱图，可以看出卷积后哪些频率成分会被加强，哪些频率成分会被减弱。
首先分享一个介绍图像傅立叶变换的资料：https://www.cs.unm.edu/~brayer/vision/fourier.html
IEEE Float、IBM Float、VAX Float 都是常用的浮点数标准，其中IEEE745 Float 的浮点格式规范应用最广泛，这篇博客主要介绍IEEE754浮点格式规范。
Multi Scale DCT Denoise（MSDCT）是经典的传统降噪算法，这篇博客予以简单介绍。原始论文：https://www.ipol.im/pub/art/2017/201/article_lr.pdf， C++源码，可以在ipol网站找到：https://www.ipol.im/pub/art/2017/201/?utm_source=doi
Matlab终于开始支持M1原生运行，测试版本下载地址需要左侧登陆后查看：
https://www.mathworks.com/support/apple-silicon-r2022b-beta.html
https://www.mathworks.com/support/apple-silicon-r2022b-beta-conf.html
Beta版本有效期到2023年6月30日，需要先安装JDK，再安装Matlab App，目前Python接口还不可用，部分插件需要手动安装，其它功能正常，已经支持了常用到的工具箱。
