年轻人起来冲

通过增大 Batch 训练大规模的 cGAN，并采用 “截断技巧” 控制样本的多样性和保真度

本文件用于说明如何在 windows 上安装、测试 AI 运行环境

相当于展开版的 RBM，即分为编码器和解码器 2 个网络，但是由于 z 是依赖于输入的，所以随机生成 z 输入解码器，一般得不到有意义的图片，故使用时只使用编码器，用于数据降维和特征抽取

需要训练不同噪声和条件的对应模型，使用这个模型影响去躁采样的均值
(图片)-> 噪声 + 条件 -> 条件图片，条件图片

一直以来都是使用卷积来处理图像数据，即使后面提出空洞卷积、特征金字塔来、注意力机制缓解其感受野受限，但是还是使用卷积计算去提取图像特征，受 NLP 中 transformer 的影响，VIT 将图像拆分为块 (patch)，并将图像数据学习转为图像块序列的学习问题，这里图像块 (patches) 的处理方式同 NLP 的标记 (tokens)

为解决原始 transformer 在全局上构建注意力的成本巨大问题，Swin Transformer 引入 WIndows 的概念，在每个 Windows 内构建全局注意力，使得成本由平方变为线性。同时借鉴 CNN 的层次特征，设计多层次的 transformer block，提取图像的多尺度特征

语义分割是对像素进行分类，而像素的类别标签是由它所在的目标的类别标签决定的，通常的上下文信息是基于像素之间的，OCRNet 根据类别数量，基于 "自注意力机制" 显式地增强来自同一物体的像素贡献

SAM 通过 transformer 将点、框、Mask、文本等 prompt 和图片进行编码学习，可以实现对图片任意目标的分割

SOTR 利用 transformer 将实例分割任务简化为 2 个过程，一是通过 transformer 预测每个实例的类别，二是通过多级上采样模块动态生成分割掩码

一直以来，分割都是在 FCN 的基础上搭建 Encoder-Decoder 进行的，基于 CNN 的缺点，虽然有设计方法取增大感受野、引入注意力机制，但还是没有背离这个规则。SETR 以 transformer 替代 CNN 的 Encoder 部分，将 2D 图片问题转为序列注意力构建问题，能在保持分辨率不变的情况下进行特征学习，最后使用 CNN 类似的金字塔结构还原分辨率