ref: https://openaccess.thecvf.com/content/CVPR2022W/NTIRE/papers/Gao_Towards_Real-World_Shadow_Removal_With_a_Shadow_Simulation_Method_and_CVPRW_2022_paper.pdf github: First time 解決問題 先進SR方法需要配對資料，但現有資料集缺乏數量和多樣性，故泛化能力差。 採用方法 本篇提出簡單但穩健的S模擬方法模擬灰階的S。他可以應用於NS和M以產生S。透果此法作者生成了大規模、多樣化的資料集。

ref: https://ieeexplore.ieee.org/document/8723605 github: First time 解決問題 SD、SR需要理解全局影像語意。 採用方法 DSC 本文以方向感知方式分析分析空間影像上下文，提出一個新的深度SD、SR網路。

20221003 (範圍1~9投影片) 20221003 今天要報告的是Solving Identity Management in Modern Applications的第一章The Hydra of Modern Identity。Hydra是希臘神話的九頭蛇，作者使用這個詞是因為他認為身分管理就是類似的任務，它存在多個問題需要解決，比方說創建帳號、驗證使用者、多要素驗證等等。如果沒有良好的計畫解決單一問題的同時可能會帶來更多的問題。 這是我們今天的outline，共有8個主題，其中第2~7主題與書中的標題一致，而第一主題是為了先定義好身分管理這一任務增加的。此外，第2個主題針對這一章節常出現地單一登入給出更多資訊。 身分管理或稱為身分與存取管理表示系統或者應用程式在建置與操作兩個階段中對於使用者資訊控制的任務。在建置階段包含新用戶註冊以及存取權授予。而操作階段則是對於前一階段中授予的權限進行識別，也可以理解為對於用戶的身分驗證。 這張圖可以呈現整個身分與存取管理不同階段的任務，左右分別是建置跟操作階段，上下則是針對身分以及存取權的管理。

20221003 - The Hydra of Modern Identity 龔鈺翔 若無適當的計畫，解決一個問題可能生出兩個問題出來 Identity Challenge 需要詳細計畫、設計、開發來達成，同時平衡業務(business)及安全需求、用戶體驗 並沒有一個方法可以套用在所有情境上 舉例: 面向消費者的APP可能需要可以從多個不同的社群帳號做登入都可以

ref: https://arxiv.org/abs/1705.01314 First time 解決問題 表示學習(representation learning)旨在學習資料的特徵，將數據轉為可進一步學習的特徵，即藉由識別解開(解糾纏)觀察資料和衍伸的學習模型之間的隱藏要素。因此挑戰在於使學習的結果具解釋性，並從抽象的表示中萃取出來。 表示分離(representation disentanglement)屬於一種學習任務，目的是導出一個特徵空間，該空間衍伸的表示有利於有興趣的特徵被識別和描述。一旦成功，可以相應生成具特徵屬性的輸出影像 其存在訓練資料的ground truth的依賴問題，若缺乏目標域資料則無法輕鬆完成，或者需仰賴遷移學習或域適應的幫助。

DLP - 1 ref: https://digitalguardian.com/blog/what-data-loss-prevention-dlp-definition-data-loss-prevention What is Data Loss Prevention (DLP)? 一組工具或流程，用於保護敏感數據不丟失、被濫用或被未授權訪問。DLP軟體分類受監管、機密和商業關鍵資料，並識別對組織定義政策的違反，通常這些政策包(policy pack)由HIPPA、PCI-DSS、GDPR等規定驅動。若發現違規行為，會透過警報、加密、或其他保護行為防止終端使用者意外或惡意分享可能造成組織風險的資料。DLP軟體、工具監視和控制終端活動，過濾公司網路的資料流，並監視雲端資料保護閒置、使用中、流動的資料。DLP也提供報告以符合compliance和auditing需求，並識別弱點區域、anomalies for forensics、事件響應。 Do I Need Data Loss Prevention? 3 Main Uses Cases for DLP DLP解決三個主要目標，也是很多組織的痛點所在。個人資訊保護/合規性、知識產權IP合資料可見性(data visibility)。 Personal Information Protection / Compliance

ref: https://ieeexplore.ieee.org/document/9355025 First time 解決問題 3D視覺任務中，Point Cloud表示的處理和理解具有挑戰性，因為無序資料點的特性。過去相關工作雖說表現良好，但在面對偏移(shift)和比例變化(scale change)時，效能會顯著減低。 採用方法 此篇提出了一種稱為3D圖像卷積網路(3D-GCN)，學習有著graph max-pooling的3D kernel，萃取point cloud中不同尺度的幾何特徵。 成果

ref: https://ieeexplore.ieee.org/document/9076820 First time 解決問題 夜間光源多為人造、非均勻光，日間統一計算大氣光A的方法不適用，也少有可以同時處理日間和夜間除霧的算法。 採用方法 local airlight

1 老師、助教、各位同學大家好，我開始這次作業系統的期中報告 2 這是這次報告的outline。 首先，我會簡述選擇的三篇文獻，大致說明三篇的主題。然後為了讓大家對於背景有一些初步了解，接下來會介紹有關於side-channel attack，中文翻譯為旁路攻擊或者旁通道攻擊，並特別強調其中power analysis這一分支。 最後我會按照二、三、一的順序介紹文獻。如此安排順序是因為我認為這樣更能凸顯出main paper的貢獻以及問題。