# Ucc的小筆記
## 2022/10/5
- 主題:
TransPose: Real-time 3D Human Translation and Pose Estimation with Six Inertial Sensors(透過六個慣性傳感器來及時的預測人的動作)<-個人翻譯
- 網址:[影片](https://calciferzh.github.io/publications/yi2021transpose),[論文 ](https://xinyu-yi.github.io/TransPose/files/TransPose.pdf)
- 來源:2021年SIGGRAPH
- 裡面充滿了計算力度之類的數學公式...
### -透過6個慣性傳感器(IMUs)+每秒90幀數做動作捕捉。
### - 當時動作捕捉面臨到一些難題
- 無法大範圍的紀錄
- 視線被遮擋
- 信號有些嘈雜稀疏
### - 最後成果
1.可以讓動作捕捉更簡單

2.動作準確率更高(3:22~3:57,和其他應用相比)

3.畫面更穩定(4:00~5:10)

4.減少電腦需要消耗的效能

5.不受到環境的限制(2:28)

6.足部的受力也能檢測

## 不懂的專有詞
- RNN-based
- DNN-based
- leaf-to-full
- state-of-the-art
- 各種數學公式

## 2022/10/12
- 主題:Computational Design of High-level Interlocking Puzzles(透過計算去設計出一個更高階的連鎖拼圖)<-自己反應
- 網址：[影片](https://sutd-cgl.github.io/supp/Publication/projects/2022-SIGGRAPH-High-LevelPuzzle/index.html)、[論文](https://sutd-cgl.github.io/supp/Publication/projects/2022-SIGGRAPH-High-LevelPuzzle/download/2022-SIGGRAPH-High-LevelPuzzle.pdf)
- 來源:2022siggraph
### 大意
透過計算將拼圖變的更難，雖然只有四塊拼圖但走的步數要更多，而這樣的技術不在侷限於方塊，有形狀的也都可以。（貓頭鷹、牛⋯

1. voxelized將圖形具象化
2. 將圖形套用上去後切割
3. 那些被切割下來後的小細節都可以增加遊戲難度
### 如何切割？

1. 加入一些體積像素voxel問題
2. 將體素點做切割處理
3. 將分割後的圖像用上顏色方便分辨
4. 再套用回去就可以了

## 2022/10/19
- 主題: CLIPasso: Semantically-Aware Object Sketching<= 語義感知對像草圖
- 來源:2022 SIGGRAPH
- 網址:[影片](https://clipasso.github.io/clipasso/)
### 大意
允許不同程度的抽象化，但仍保留圖形的特徵，讓人們可以透過少少的筆劃仍然可以讀懂其語意。
### 作法
她們提出了一種對像草圖繪製方法，那種方法可以在幾何和語義簡化的指導下實現不同層次的抽象。
- 透過CLIP的功能
1. 感知損失優化曲線參數->抽象程度是通過改變筆劃的數量來控制的。
2. 生成的草圖展示了多層次的抽象，同時保持了可識別性。
3. 底層結構和所繪製主題的基本視覺組件。

### 總結:
對同一幅畫、物件、或各種重複的繪畫，增加畫筆線條，再將所有畫合成，可以讓人更好的去判讀。
### 他們成功的方法
關鍵是使用預訓練的 CLIP 模型的中間層來約束輸出草圖的幾何形狀。如果沒有，輸出草圖將不會與輸入圖像相似。