1.Matlab像处理系列——插值算法和像配准
2.Catlike Coding Custom SRP学习之旅——11Post Processing
3.Live2D动画引擎的双线射实图形学原理及实现
4.RoI Pooling 系列方法介绍（文末附源码）
5.双线性映射在密码学中的使用
Matlab像处理系列——插值算法和像配准
在Matlab的图像处理系列中，我们首先探讨插值算法，性映现源这是双线射实在处理几何变换时的关键技术。主要有两种主要方法：向前映射和向后映射。性映现源向前映射逐像素转移，双线射实而向后映射则需要对输出像素进行插值处理，性映现源解读 docker 源码当它们不落在输入图像的双线射实整数坐标位置时。
插值的性映现源基本类型包括最近邻插值，它取输出像素最邻近采样点的双线射实灰度值作为近似值。双线性插值（一阶插值）则计算2x2邻域内的性映现源像素加权平均，如计算单位正方形内任意点的双线射实灰度值。然而，性映现源高阶插值如三次插值则采用卷积，双线射实利用更复杂的性映现源函数如sin(x)/x来提高平滑性和精度，减少细节丢失和斜率不连续性的双线射实影响。
图像配准是另一关键技术，它通过将多幅图像对准同一场景。Matlab提供了cpselect函数，允许用户交互式地选择基准点，确定空间变换关系。fitgeotrans函数则用于拟合这些控制点，计算出所需的几何变换，以实现图像的精确对齐。
最后，Matlab提供了插值和图像配准的仿真源码，这些代码实例展示了如何在实际操作中应用这些算法，为理解并实现图像处理提供了实用的工具和实践指导。
Catlike Coding Custom SRP学习之旅——Post Processing
来到了后处理环节，这是渲染管线中关键的一环。后处理技术能够显著提升画面效果，比如色调映射、Bloom、抗锯齿等，都能在后处理中实现。除了改善整体画面效果，后处理还能用于实现描边等美术效果。本文将主要介绍后处理堆栈和Bloom效果等内容。视频课程app源码
考虑到篇幅和工作量，本文将从第4章节后半部分开始，以及未来的章节，主要提炼原教程的内容，尽量减少篇幅和实际代码。在我的Github工程中，包含了对源代码的详细注释，需要深入了解代码细节的读者可以查看我的Github工程。对于文章中的错误，欢迎读者批评指正。
以下是原教程链接和我的Github工程：
CatlikeCoding-SRP-Tutorial
我的Github工程
1. 后处理堆栈（Post-FX Stack）
FX，全称是Special Effects，即特殊效果，也称为VFX（Visual Special Effects），即视觉特效。参考维基百科，视觉效果（Visual effects，简称VFX）是在**制作中，在真人动作镜头之外创造或操纵图像的过程。游戏很多技术都会沿用影视技术上的一些技术，比如在色调映射时，可以采用ACES（**色调映射）等。关于Special Effects为什么叫FX，而不是SE，网上似乎只是因为FX谐音Effects，让人不知道从哪吐槽。
通常来说，因为后处理会包含很多不同的效果，如色调映射、Bloom、抗锯齿等等，因此后处理在渲染管线中的结构往往是一个堆栈式的结构（URP中也是如此，使用了Post Process Volume）。因此，在本篇中，我们将搭建这样一个堆栈结构，外卖双端源码并实现Bloom效果。
1.1 配置资源（Settings Asset）
首先，我们定义PostFXSettings资源，即Scriptable Object，将其作为渲染管线的一项可配置属性，这样便于我们配置不同的后处理堆栈，并可以方便地切换。
1.2 栈对象（Stack Object）
类似于Light和Shadows，我们同样使用一个类来存储包括Camera、ScriptableRenderContext、PostFXSettings，并在其中执行后处理堆栈。
1.3 使用堆栈（Using the Stack）
在进行后处理前，我们首先需要获取当前摄像机画面的标识RenderTargetIdentifier，RenderTargetIdentifier用于标识CommandBuffer的RenderTexture。在这里，我们使用一个简单的int来标识sourceRT。
对于一个后处理效果而言，其实现过程说来很简单，传入一个矩形Mesh（其纹理即当前画面），使用一个Shader渲染该矩形Mesh，将其覆盖回Camera的RT上，我们通过Blit函数来实现该功能。
1.4 强制清除（Forced Clearing）
因为我们将摄像机渲染到了中间RT上，我们虽然会在每帧结束时释放该RT空间，但是基于Unity自身对RT的管理策略，其并不会真正地清除该RT，因此我们在下一帧时，该RT中会留存上一帧的渲染结果，导致了每一帧画面都是在前一帧的结果之上绘制的。
1.5 Gizmos
我们还需要在后处理前后绘制不同的Gizmos部分，这部分略~
1.6 自定义绘制（Custom Drawing）
使用Blit方法绘制后处理，实际上会绘制一个矩形，也就是2个三角面，即6个顶点。但我们完全可以只用一个三角面来绘制整个画面，格盘关机源码因此我们使用自定义的绘制函数代替Blit。
1.7 屏蔽部分FX（Don't Always Apply FX）
目前，我们对于所有摄像机都执行了后处理。但是，我们希望只对Game视图和Scene视图摄像机进行后处理，并对不同Scene视图提供单独的开关控制。很简单，通过判断摄像机类型来屏蔽。
1.8 复制（Copying）
接下来，完善下Copy Pass。我们在片元着色器中，对原画面进行采样，并且由于其不存在Mip，我们可以指定mip等级0进行采样，避免一部分性能消耗。
2. 辉光（Bloom）
目前，我们已经实现了后处理堆栈的框架，接下来实现一个Bloom效果。Bloom效果应该非常常见，也是经常被用于美化画面，其主要作用就是让画面亮的区域更亮。
2.1 Bloom金字塔（Bloom Pyramid）
为了实现Bloom效果，我们需要提取画面中亮的像素，并让这些亮的像素影响周围暗的像素。因此，需要首先实现RT的降采样。通过降采样，我们可以很轻易地实现模糊功能。
2.2 配置辉光（Configurable Bloom）
通常来说，我们并不需要降采样到很小的尺寸，因此我们将最大降采样迭代次数和最小尺寸作为可配置选项。
2.3 高斯滤波（Gaussian Filtering）
目前，我们使用双线性滤波来实现降采样，这样的结果会有很多颗粒感，因此我们可以使用高斯滤波，并且使用更大的聚梦系统源码高斯核函数，通过9x9的高斯滤波加上双线性采样，实现x的模糊效果。
2.4 叠加模糊（Additive Blurring）
对于Bloom的增亮，我们直接将每次降采样后的Pyramid一步步叠加到原RT上，即直接让两张不同尺寸的以相同尺寸采样，叠加颜色，这一步也叫上采样。
2.5 双三次上采样（Bicubic Upsampling）
在上采样过程中，我们使用了双线性采样，这样可能依然会导致块状的模糊效果，因此我们可以增加双三次采样Bicubic Sampling的可选项，以此提供更高质量的上采样。
2.6 半分辨率（Half Resolution）
由于Bloom会渲染多张Pyramid，因此其消耗是比较大的，其实我们完全没必要从初始分辨率开始降采样，从一半的分辨率开始采样的效果也很好。
2.7 阈值（Threshold）
目前，我们对整个RT的每个像素都进行了增亮，这让这个画面看起来过曝了一般，但其实Bloom只需要对亮的区域增亮，本身暗的地方就不需要增亮了。
2.8 强度（Intensity）
最后，提供一个Intensity选项，控制Bloom的整体强度。
结束语
大功告成，我们在渲染管线中增加了后处理堆栈，以及实现了一个Bloom效果，其实在做完这篇之后，我觉得这个渲染管线才算基本上达成了大部分需要的功能，也算是一个里程碑吧。
Live2D动画引擎的图形学原理及实现
初次接触Live2D，是通过群聊，直观感觉动画奇特且粗糙，难以理解为何能大受欢迎。然而，经过一段时间的观察与思考，发现其独特的魅力，进而萌生出个人制作Live2D的想法。这并非指制作Live2D模型，而是实现其核心功能，包括动画骨骼、动作追踪、网格建立与物理模拟，直至图元光栅化。
看似复杂的项目，实际上，实现过程经过数月的投入，也并非难以企及。为了便于调试，绘制了一个简单的用于测试的人设，利用专业绘图软件sai完成。制作流程包括线稿绘制、细节调整、分层导出为独立的PNG等。准备工作完成后，启动开发环境Visual Studio，正式开始Live2D的制作之旅。
首先，回顾图形学基础，理解图元结构、渲染流程与关键技术。图元填充算法，如扫描线填充，是实现Live2D动画的关键步骤。在加载图像至项目中后，最终显示为一系列图元的集合。为了提高渲染质量，引入双线性插值滤波，对纹理映射进行优化。
网格建立是另一个挑战，Delaunay三角剖分成为了解决方案。遵循三角剖分定义，确保三角面不相交且满足特定条件。在完成Delaunay三角剖分后，每个图层加载并绑定网格，为后续动画编辑奠定基础。
紧接着，讨论到动画系统，即骨骼动画。每个图层被赋予关键节点，所有顶点围绕节点进行旋转、平移和缩放，形成骨骼系统。动画编辑依赖节点操作，实现一系列矩阵级联，驱动模型动作。
为了模拟现实中的物理行为，引入弹性节点概念，对柔软部位进行物理模拟。通过简化模型，每个顶点与节点关联，弹性系数控制顶点运动规律。最后，实现动作追踪功能，依据输入完成特定追踪动作，如跟随鼠标运动。
整个项目的核心渲染、骨骼框架与额外的物理模拟，代码量并不庞大，约2-3千行，开发周期在2周左右。然而，配套编辑器的开发耗时5个月，远超预期。制作过程虽未带来太多技术突破，但回顾整个项目，涉及知识与本科课程内容相似，较为轻松。
所有核心与配套源代码已开源，欢迎访问 PainterEngine.com 获取更多信息与支持。如果你喜欢这个项目，不妨给予star。最后，分享一段个人制作的Live2D动画作为收尾。
RoI Pooling 系列方法介绍（文末附源码）
本文为您介绍目标检测任务中的重要手段——RoI Pooling及其改进方法。RoI Pooling最初在 Faster R-CNN 中提出，旨在将不同尺寸的区域兴趣（RoI）投影至特征图上，通过池化操作统一尺寸，方便后续网络层处理，同时加速计算过程。接下来，我们将探讨RoI Pooling的局限性以及其改进方法RoI Align和Precise RoI Pooling的特性。
RoI Pooling存在量化误差问题，导致精度损失。为解决这一问题，RoI Align应运而生，它在Mask R-CNN中提出，通过取消量化操作，实现无误差的区域池化。与RoI Pooling不同，RoI Align在计算时仅需设置采样点数作为超参数，使得操作更为灵活。具体操作中，RoI Align将RoI映射至特征图，划分区域时保持连续，通过双线性插值计算中心点像素值，最后取每个区域最大值作为“代表”。这种改进方法消除了量化误差，提高了精度。
针对RoI Pooling和RoI Align存在的超参数设置问题，Precise RoI Pooling提出了无需超参数的解决方案。在计算过程中，Precise RoI Pooling通过计算区域积分并取均值，代替了最大值池化，不仅消除了量化误差，还使得每个像素点对梯度贡献均等，避免了“浪费”大部分点的现象。这一改进使得网络对输入的敏感度更加均匀，提高了模型的稳定性和泛化能力。
总结而言，RoI Pooling、RoI Align和Precise RoI Pooling在目标检测领域中各有特点，分别针对精度、灵活性和均匀性提出了解决方案。实践操作时，应根据具体需求和场景选择最合适的算法，以达到最优的检测效果。本文提供的源码链接，包括自己实现的RoI Pooling和RoI Align，以及原作者的Precise RoI Pooling版本，旨在为学习和研究提供参考资源。
双线性映射在密码学中的使用
双线性映射在密码学中的使用
近年来，双线性映射在身份认证与零知识证明领域的应用日益广泛。基于库PBC的零知识证明流程的实现，将为您详细解析这一过程。本文首先针对库的下载、编译与使用进行说明，针对不同操作系统的实践尝试。考虑到Windows下的编译挑战，Ubuntu被选为实现方案的载体。
一、库的准备与实践
在Linux环境下，借助PBC库实现密码学功能较为顺畅。在Windows系统上，需将其编译为适用于操作系统的可执行文件。下载和安装MinGW，利用其集成的命令行工具实现库的依赖安装。接着，通过msys.bat实现Linux式的模拟运行环境。下载GMP源码、配置与编译，生成用于库实现所需的libgmp.a静态库及gmp.h头文件。在指定目录下下载PBC源码，同时将先前准备的lib和头文件放置于其所在目录，确保库的完整集成。尽管PBC编译要求Linux系统，本文转移至Ubuntu下展开实践。
二、Ubuntu平台下操作指南
针对Ubuntu环境下的操作，首先确保安装Python 3.x版本，通过apt-get命令实现m4、flex、bison以及ssl-dev的安装。随后，下载GMP库、OpenSSL库、PBC库及最新的charm-crypto源码。经过以上步骤，动态库的构建与成功运行得以实现。
三、基于双线性映射的承诺方案开发
本文通过实际代码的编写，展示如何以双线性映射为基础构建一个简单的承诺方案。具体代码段落在此省略，其旨在通过PBC库实现零知识证明流程的构建，为密码学领域提供实操指导。
