FelixChristian's Blog

将现有场景物体导入Mujoco的一个简单可行方法：通过COLMAP对图像或视频进行处理，然后利用基于NeRF的方法如nerfacto计算神经辐射场，并导出mesh，最后利用CoACD工具对mesh进行凸分解以导入mujoco，并保持碰撞的凸性。

Graduate course computer vision homework 1: Photometric Stereo.

本文对比了几种主流三维重建方法的特点及应用。并记录其中某些方法部署过程中遇到的问题和解决方案。

本文分享了在安装和使用NeRF Studio过程中遇到的一些常见问题和解决方法，包括Python版本兼容性、加速库安装以及配置环境变量等方面的经验教训。最后使用nerfacto和splatfacto训练，对比了两种方法的效果

Hexo在使用MathJax渲染公式时，与默认Markdown解析引擎marked存在冲突，导致公式中的下划线无法正确显示。本文记录了解决方案，包括修改marked源码、更换引擎及安装Pandoc，最终成功实现公式的正确渲染，并提供详细操作步骤和经验分享。

为了在Sim2Real任务中有效地应对模拟与现实世界之间的差距，论文提出了一种新的方法，结合了高斯分布渲染和模拟器数据生成，显著提高了策略的鲁棒性，并取得了很好的零样本部署效果。通过扩展模拟器演示，结合数据增强技术，策略在现实世界的多个任务中实现了较高的成功率，证明了其有效性与高效性。此外，实验还展示了渲染图像在不同机器人关节配置下与真实世界图像的接近度，进一步验证了该方法在处理复杂动态环境时的潜力。

本文解读了《GauU-Scene V2》论文，介绍了3DGS与NeRF结合的新方法用于评估图像质量与几何可靠性。文章详细探讨了数据集、评估指标（如PSNR、SSIM、LPIPS、倒角距离）、实验结果，并分析了不同方法在图像渲染和几何重建上的优缺点。

本文简要地介绍了NeRF（Neural Radiance Fields）和3DGS（3D Gaussian Splatting）的原理与流程，并对它们在场景绘制和3D重建等方面进行了对比。NeRF采用神经网络进行3D场景表示，通过体积渲染实现高质量的图像生成，但渲染速度较慢，需要通过其他方法将其转换为显式输出（如NeRF2Mesh）。相比之下，3DGS使用高斯分布表示3D场景，通过光栅化渲染生成图像，速度较快，但内存占用较高，并且直接输出显式的3D数据结构。

本文介绍了CoACD工具的安装与使用，CoACD可用于将凹形模型分解为凸几何体的并集。文章详细讲解了克隆代码、安装依赖、编译过程及基本使用方法，并提供了常用参数的说明，帮助用户优化分解效果与运行效率。

在MuJoCo中，碰撞检测仅限于凸几何体，所有原始几何体类型都是凸的。对于用户定义的网格，虽然可以是非凸的，但为了碰撞检测，它们会被替换为凸包。为了模拟非凸对象，用户需要将其分解为凸几何体的并集，使用工具如CoACD库可以简化这一过程，从而保证更快且稳定的仿真。