- 综合排序
- 最热优先
- 最新优先
- 来自专栏指剑的分享
python3 高斯函数
1.涉及公式 1.1 高斯分布公式 概率密度函数 1.2 二项分布公式 换句话说，一枚公平的硬币有正面结果的概率（正面）p = 0.5。 1.5 概率密度函数 2.编写高斯类 import math import matplotlib.pyplot as plt class Gaussian(): """ 高斯分布类，用于计算和可视化高斯分布 of Data') plt.xlabel('data') plt.ylabel('count') def pdf(self, x): """高斯分布的概率密度函数计算器 Standard Deviation') axes[0].set_ylabel('Density') plt.show() return x, y 3. 测试高斯类 import unittest class TestGaussianClass(unittest.TestCase): def setUp(self): self.gaussian
93710编辑于 2022-08-26 - 来自专栏bit哲学院
C++性能优化系列——3D高斯核卷积计算(八)3D高斯卷积
代码实现如下： void GaussSmoothCPU3DBase(float* pSrc, int iDim[3], float* pKernel, int kernelSize[3], float pKernel[kx] * pSrcSlice[i]; } } } } 执行时间 GaussSmoothCPU3DBase 代码实现如下： void GaussSmoothCPU3DBase(float* pSrc, int iDim[3], float* pKernel, int kernelSize[3], float pKernel[kx] * pSrcSlice[i]; } } } } 执行时间 GaussSmoothCPU3DBase 总结 本文按照 X Y Z的维度顺序，实现了3D高斯卷积的计算，同时基于OpenMP技术，实现了多线程并行化。同时分析了Z维度计算时造成内存瓶颈的原因。
1.3K20发布于 2021-02-10 - 来自专栏媒矿工厂
GaussianEditor：快速可控的3D高斯编辑
y 一致的 3D 高斯 \Theta_y 。 高斯语义追踪 3D编辑中的已有工作通常使用静态 2D 或 3D 掩模，并仅在掩模像素内应用损失，从而将编辑过程限制为仅编辑所需区域。但是，这种方法有局限性。 为了解决上述问题，作者选择 GS 作为本文的 3D 表示，因为它具有明确的性质含义。这使作者能够直接为每个高斯点分配语义标签，从而促进 3D 场景中的语义追踪。 高斯的语义掩码 m 起到动态分割 3D 掩码的作用，随着训练而变化，允许内容在空间中自由扩展。 高斯溅射逆投影是本文提出的获得语义高斯掩码 m 的方法。 随后，对创建的 I^M_y 的前景对象进行分割，并将其输入到图像到 3D 的方法中，以生成粗略的 3D 网格。然后将该粗网格转换为 3D 高斯 \theta_y ，并使用 HGS 进行细化。
1.6K10编辑于 2024-01-04 - 来自专栏图像处理与模式识别研究所
高斯滤波
import cv2 o=cv2.imread("C:/Users/xpp/Desktop/Lena.png")#原始图像 r=cv2.GaussianBlur(o,(5,5),0,0)#高斯滤波 cv2 .imshow("original",o) cv2.imshow("result",r) cv2.waitKey() cv2.destroyAllWindows() 算法：高斯滤波将中心的权重值增加 dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType) dst表示返回值，表示进行高斯滤波后得到的结果 src表示输入图像，图像深度是CV
75620编辑于 2022-05-28 - 来自专栏机器之心
告别3D高斯Splatting算法，带神经补偿的频谱剪枝高斯场SUNDAE开源了
一、带神经补偿的频谱剪枝高斯场 1.1 基于频谱图的剪枝策略 3DGS 使用一组高斯基元来表示场景，由于这些基元在三维空间中的分布不规则，我们提出了基于图的方法来捕获基元之间的关系，而不是使用网格这样的常规结构 图 1: (a) 3DGS 7k 迭代次数的结果；(b) 3DGS 30k 迭代次数的结果，使用了更多的高斯基元来表示三维场景，因此质量更高、速度更慢、存储空间更大；(c) 剪枝了 90% 的高斯基元， 具体来说，我们不是像 3DGS 那样直接渲染 RGB 图像，而是通过用于 3D 高斯的可微分光栅化器获得一个特征图，该光栅化器将 3D 高斯基元的特征投影到二维特征图上。 SUNDAE 的总体框架如下图 3 所示。 图 3: (a) Pipeline: 对一个预训练的 3D 高斯场，采用基于图的剪枝策略对高斯基元进行降采样，并使用卷积神经网络来补偿剪枝造成的损失。 这种方法旨在在训练 3D 高斯场时持续控制基元的最大数量，从而降低训练期间的峰值内存需求，并允许在 GPU 内存较低的 GPU 设备上进行训练。
73510编辑于 2024-05-22 - 来自专栏DeepHub IMBA
高斯函数、高斯积分和正态分布
正态分布是高斯概率分布。高斯概率分布是反映中心极限定理原理的函数，该定理指出当随机样本足够大时，总体样本将趋向于期望值并且远离期望值的值将不太频繁地出现。高斯积分是高斯函数在整条实数线上的定积分。 这三个主题，高斯函数、高斯积分和高斯概率分布是这样交织在一起的，所以我认为最好尝试一次性解决这三个主题（但是我错了，这是本篇文章的不同主题）。 本篇文章我们首先将研究高斯函数的一般定义是什么，然后将看一下高斯积分，其结果对于确定正态分布的归一化常数是非常必要的。最后我们将使用收集的信息理解，推导出正态分布方程。 两个高斯函数的图。第一个高斯(绿色)的λ=1和a=1。第二个(橙色)λ=2和a=1.5。两个函数都不是标准化的。也就是说，曲线下的面积不等于1。 概率密度函数的推导 我们将从广义高斯函数f(x)=λ exp(−ax^2)开始，正态分布下的面积必须等于1所以我们首先设置广义高斯函数的值，对整个实数线积分等于1 这里将 -a- 替换为 a^2 稍微修改了高斯分布
2.2K10编辑于 2022-03-12 - 来自专栏数据科学CLUB
高斯过程
高斯过程GaussianProcess ? 高斯过程的理论知识 非参数方法的基本思想 image.png image.png 高斯过程的基本概念 image.png image.png 高斯过程的Python实现 使用Numpy手动实现 定义核函数 image.png print(l_opt, sigma_f_opt) 0.9872536793237083 0.8613778055591963 更高维的高斯过程 image.png #噪音参数 小结 从前面我们可以看出，与常见的机器学习模型不同，用高斯过程做预测的方法是直接生成一个后验预测分布（依然是高斯分布）。 从统计学的角度上来看，利用高斯过程模型做预测具有很高的价值。
2.2K20发布于 2020-07-01 - 来自专栏计算机视觉战队
高斯YoloV3目标检测（文中供源码链接）
概述 这个高斯yolov3是一个老的技术，最近看到了，就和大家分享一下！ 在目标检测中，实时性和精确性的trade-off至关重要，YOLOv3是目前为止在这方面做得比较好的算法。 通过高斯分布的特性，改进YOLOv3使得网络能够输出每个检测框的不确定性，从而提升了网络的精度。 主要是在yolov3中，bbox的回归没有对边界框概率的评估，因此为bbox的四个坐标值分别拟合一个高斯分布。 ? 模型 ? 高斯yolov3是yolov3的改进版，它利用高斯分布的特性(也叫正态分布，详见参考资料)，改进yolov3，使得网络能够输出每个检测框的不确定性，从而提升了网络的精度。 基于这一点，高斯yolov3利用Gaussian模型来对网络输出进行建模，在基本不改变yolov3网络结构和计算量的情况下，能够输出每个预测框的可靠性，并且在算法总体性能上提升了3个点的MAP。
79430发布于 2020-07-16 - 来自专栏全栈程序员必看
混合高斯背景建模原理_高斯图模型
算法基本思想 用GMM对背景建模的基本思想是把每一个像素点所呈现的颜色用K个高斯分布的叠加来表示，通常K取3-5之间。 混合高斯模型中第i个高斯分布的权系数的估计值， 和 分别表示时刻t混合高斯模型中第i个高斯分布的均值向量和协方差矩阵(此处假定像素的红、绿、蓝分量相互独立);η表示高斯分布概率密度函数。 参数更新 在时刻t对图像帧的每个像素Xt与它对应的高斯模型进行匹配， 匹配规则为： 如果像素值Xt 与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2.5倍, 则定义该高斯分布Gi 与像素值Xt 如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值Xt 匹配, 那么混合高斯模型的参数更新规则为: 1)对于不匹配的高斯分布, 它们的均值μ和协方差矩阵 保持不变; 2)匹配的高斯分布Gi 的均值 如果该像素对应的混合高斯模型中没有高斯分布与像素值Xt 匹配, 那么将最不可能代表背景过程的高斯分布Gj重新赋值, 即 式中, W0 和V0是预先给定的正值;I为一个3 ×3单位矩阵。
95210编辑于 2022-11-16 - 来自专栏数据结构笔记
高斯滤波
高斯滤波和均值滤波的原理一样，在均值滤波中所有的像素点的权重都一样，而在高斯滤波中则是越靠近中心的像素点权重远大，权重的分配由二维高斯公式生成的矩阵决定，矩阵的阶和扫描的窗口大小一致。 关于二维高斯公式这里不再赘述，不了解的可以看看这篇文章：高斯函数的详细分析，这里就只给出一个二维高斯分布的产生函数了： //生成高斯核 double* make_kernel(int size, double
1.1K10发布于 2019-04-21 - 来自专栏SnailTyan
高斯模糊
一、高斯模糊的概念 高斯模糊，也叫高斯平滑，英文为：Gaussian Blur，是图像处理中常用的一种技术，主要用来降低图像的噪声和减少图像的细节。 下图分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。 3、高斯模糊 既然每个点都要取周边像素的平均值，那么就涉及到了权重分配的问题。如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。 url=yNgq8w79SYbS7OT4DQ5zhiwVg-7LyBWUm2vKnbg8KDD0FcPcb2Ok3AFNBvoiubzbrgrNUlk0tYKcRVlpykeI9q 2、阮一峰的博客 ：http://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html 3、维基百科：https://en.wikipedia.org/wiki/Gaussian_blur
6.1K20编辑于 2022-05-09 - 来自专栏全栈程序员必看
opencv高斯金字塔_高斯求和公式
高斯金字塔构建过程： 1. 先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积（其实就是高斯平滑或称高斯滤波）之后作为第1组金字塔的第2层，高斯卷积函数为： 对于参数σ，在Sift算子中取的是固定值 将σ乘以一个比例系数k,等到一个新的平滑因子σ=k*σ，用它来平滑第1组第2层图像，结果图像作为第3层。 3. 它们对应的平滑系数分别为：0，σ，kσ，k^2σ,k^3σ……k^(L-2)σ。 4. ，对应的平滑系数分别为：0，σ，kσ，k^2σ,k^3σ……k^(L-2)σ。
96710编辑于 2022-11-04 - 来自专栏媒矿工厂
SIGGRAPH 2024 | 头像化身动画的 3D 高斯 Blendshapes
中性模型和表情混合形状均采用包含描述化身外观属性的 3D 高斯来表示。 与最先进的方法相比，我们的高斯混合形状表示法能更好地捕捉输入视频中的高频细节，并达到更高的渲染性能。 方法 3D 高斯混合形状 图 2：方法总览。 我们的方法以单目视频为输入，学习头像化身的高斯混合形状表示，其中包括一个中性模型 、一组表情混合形状 以及口腔内部模型 ，均采用 3D 高斯表示。 初始化 对于中性模型 ，我们使用泊松圆盘采样在中性 FLAME 网格 选取若干点作为高斯位置的初始化，其他高斯属性的初始化与 3DGS 相同。 最后，我们使用高斯溅射从 和 得到渲染图像。优化过程类似于 3DGS，涉及添加和删除高斯的自适应密度控制步骤。
96910编辑于 2024-06-13 - 来自专栏媒矿工厂
CVPR 2024 | VastGaussian：用于大型场景重建的3D高斯
为解决 3D 高斯应用于大型场景的问题，作者提出了基于 3D Gaussian Splatting 的大型场景重建 (Vast 3D Gaussian)。 对新增的点云进行初始化，可以得到正确的新 3D 高斯以进行优化，而不是在第 j 个单元中生成漂浮物。在单元优化后，单元外部生成的 3D 高斯点将被移除。 解耦外观模块 图2. 对于每个优化的单元，在边界扩展之前删除原始区域之外的 3D 高斯。然后，合并这些不重叠单元的 3D 高斯。 VastGaussian 的高质量重建部分归功于其大量的 3D 高斯点。 以 Campus 场景为例，Modified 3DGS 中的 3D 高斯数量为 890 万，而对于 VastGaussian，高斯数量为 2740 万。 表2.
2.6K10编辑于 2024-04-12 - 来自专栏菜鸟小栈
高斯模糊 Shader
正文 高斯模糊 在我们开始讨论代码之前，我们要先稍微了解以下几点... > 下面的讲解比较笼统，水平不够，请见谅！ 高斯模糊是什么？ 高斯模糊（Gaussian Blur），也叫高斯平滑，是一种生活中比较常见的图像处理效果。 经过高斯模糊处理的图像看起来就像是在一块毛玻璃后面，也就是俗称的“毛玻璃效果”。 因正态分布又称高斯分布（Gaussian distribution），所以这种技术就叫做高斯模糊。 tooltip: '节点尺寸' } } }% CCProgram vs %{ precision highp float; #include <cc-global> in vec3 weight; // 累加颜色 sum += weight; // 累加权重 } } color /= sum; // 求出一个平均值 return color; } 3.
2.5K21发布于 2020-07-10 - 来自专栏ACM算法日常
高斯消元
高斯消元 众所周知，高斯消元是线性代数中重要的一课。通过矩阵来解线性方程组。高斯消元最大的用途就是用来解多元一次方程组。 （接下来会举例子说明）虽然我觉得没什么用 3.主元 一种变元。 输入样例 3 1.00 2.00 -1.00 -6.00 2.00 1.00 -3.00 -9.00 -1.00 -1.00 2.00 7.00 输出样例： 1.00 -2.00 3.00 现在我们来解释一下样例 很容易想到要一列一列消 这样才有可能得到完美矩阵（也就是我们需要的上三角形矩阵） 将第一行的第一个元素（也就是主元）变为 然后用第一行去消第二三行 然后我们发现第一列的元素在再次进行初等行列变换性质 3 接着消元我们得到 第三个方程只有一个变量了，我们可以直观的看到它的值 然后再倒着往上消元 我们就得到了我们想要的矩阵 最后总结出算法步骤 1.枚举每一列，找到绝对值最大的一行 2.将该行换为第一行 3.
91310发布于 2019-11-25 - 来自专栏点云PCL
NeRFs和3D高斯溅射技术如何重塑SLAM：综述
这一演变涵盖了从手工方法，通过深度学习时代，再到最近聚焦于神经辐射场（NeRFs）和3D高斯点（3DGS）表示的最新发展。 （左）NeRF沿着射线查询多层感知器（MLP），而（右）3DGS则为给定的射线混合高斯分布。 该框架利用3D高斯场景表示和渲染的RGB-D图像进行逆相机跟踪。通过一种新颖的高斯扩展策略，GS-SLAM在GPU上实现了实时跟踪、地图构建和渲染，增强了场景重建能力。 图7：3D高斯可视化。 有前景的技术包括基于3D高斯散射（3D Gaussian Splatting，3DGS）范式的显式表示。基于3DGS的显式表示在实现最先进的渲染精度的同时，也展示了更快的渲染速度。 此外，原始3DGS场景表示需要大量3D高斯原语以实现高保真重建，导致显著的内存消耗。
2.5K11编辑于 2024-06-21 - 来自专栏算法+
快速高斯模糊算法
刚才发现一份快速高斯模糊的实现。 imgWidth*imgHeight; unsigned char * rgb = (unsigned char *)malloc(sizeof(unsigned char) * imageSize * 3) imageSize * 2; unsigned char * rgb2 = (unsigned char *)malloc(sizeof(unsigned char) * imageSize * 3)
2K50发布于 2018-04-12 使用扩散模型增强3D高斯重建仿真质量指南
如何提升3D高斯重建质量以用于仿真构建真正逼真的3D仿真环境具有挑战性。 即使采用3D高斯溅射（3DGS）和带无迹变换的3D高斯（3DGUT）等先进的神经重建方法，渲染视图仍然可能包含伪影，例如模糊、孔洞或虚假几何体——特别是在新视角下。 步骤1：下载重建的场景首先，找到一个存在一些伪影的重建3D场景。 然后下载示例场景，该场景以包含3D环境的USDZ文件形式提供。 视频3展示了将Fixer应用于从向左移动3米的新相机视角渲染的NuRec场景。当在新视角合成输出之上运行时，Fixer减少了视角相关的伪影，并提高了重建场景的感知质量。
20310编辑于 2026-01-13- 来自专栏CSDN社区搬运
三维场景重建3D高斯点渲染复现
3D gaussian-splatting 3D Gaussian-splatting是一种新兴的3D场景表示技术，它将场景中的每个点视为一个带有方向性的高斯分布。 效果演示 3D gaussian-splatting原理 3D Gaussian-splatting的核心思想是将3D空间中的每一个点都用一个多维高斯分布来表示，其中每个高斯分布不仅描述了该点的空间位置 )2 在3D Gaussian-splatting中，我们使用的实际上是多维高斯分布，它可以写成：p(x;μ,Σ)=1(2π)n/2∣Σ∣1/2e−12(x−μ)TΣ−1(x−μ)p(x;μ,Σ)= 渲染过程 当渲染一个场景时，3D Gaussian-splatting通过以下步骤来合成图像： 投影：首先，根据相机的姿态（位置和朝向），将所有高斯分布投影到图像平面上。 优化与加速 为了使3D Gaussian-splatting能够高效运行，研究者们提出了一系列优化策略，包括但不限于： 层次结构：构建多层次的数据结构，如八叉树或kd-tree，以便快速查找和剔除远离视线的高斯分布
1.6K10编辑于 2024-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号