主要课题：点云曲线采样算法

近年来，CurveNet¹ 与 CurveCloudNet² 等方法表明，将点云表示转化为曲线结构进行三维感知具有显著潜力。

CurveNet¹ 采用神经网络逐点生成曲线，采样过程呈马尔可夫链式依赖，虽能捕获局部几何连续性，但采样效率较低且难以生成较长曲线。
CurveCloudNet² 利用激光雷达扫描的天然顺序进行曲线构建，避免了逐点采样的低效性，但当扫描方向与场景结构方向不一致时，生成的曲线往往呈现断续和不完整的特征。

$O(n \log n)$ ，并可在 GPU 上实现部分并行化。该方法能够高效地采样出沿物体结构分布的长曲线，从而更好地反映点云的结构特征。

对于神经网络而言，曲线结构具有多种有利特性：

基于上述特性，曲线在神经网络中的潜在应用包括：

更新中

27-tree

课程设计

2023秋学期《计算机图形学》期末项目，目标是实现一个骨架化算法。

『功能』简单轻量的点云骨架化方法。
『特色』
- 简单的法向量估计方法——将点云视作相互排斥的电荷计算电场，而电场方向往往垂直于平面朝外。
- 拼合法向量和位置，用Kmeans分组；然后以SVD特征决定是组内点云抽象方式。（直线/凸包面）

2023秋学期《计算机视觉2》期末小组项目，目标是优化TGA（视频超分辨率模型）的动画超分效果。本人在项目中独立负责实现一个流式超分模块。

『功能』基于TGA视频超分辨率模型（依赖前后3帧进行视频超分）开发的流式超分模块。
『特色』
1. 采用流式方式读取视频：降低内存占用。
2. 基于前后帧变化率进行转场检测：在检测到转场时，以转场前的最后一帧补齐TGA模型所需的7帧（padding），从而避免其他场景的帧被输入模型。这一策略可略微提升超分辨率效果。转场检测在视频读取阶段即完成，以避免重复计算。
3. 动画中，背景往往是完全静态的：只传输前后帧变化区域可以显著减少TGA的模型计算量（在消费级显卡上，GPU利用率有所下降，但整体超分速度有所提升）

2024春学期《高阶图像处理》期末项目，目标是从两张不同方向的X光图片还原出三维的CT体素。

『功能』从两张不同方向的X光图片，生成指定层的CT切片（图片）。
『特色』
1. 网络轻量（对比3D卷积/注意力方案），在RTX4060TI上即可完成完整训练
2. 数据集IO性能优化：数据集预处理并存储到sqlite中，以加速数据读取
3. 利用矩阵乘法，将两个方向的一维特征广播到二维矩阵中（类似边缘分布重建联合分布）

2024年秋学期SI100B助教工作，负责给学生提供简单的游戏开发框架。
https://github.com/teafrogsf/SI100B_DIE_Fall_2024_Repo/tree/main/baseline

『功能』设计了一套事件系统
- Core——单例类，管理事件队列。
- ListenerLike——实现listen函数，可以接收事件的类
  - @listening可以装饰ListenerLike的成员函数，使得listen接收的事件分发到成员函数中
- GroupLike是ListenerLike的容器，将接收到的事件分发到组内的所有ListenerLike
『特色』
1. 完善的文档（框架代码有详细类型标注，Numpy风格docstring，严格遵守PEP8命名规范）
2. 高效的实现——GroupLike会对其成员ListenerLike依据「可接受的事件类型」进行分类，使事件仅传递到可以处理事件的成员中，极大提升了性能。
  1. （另存在一版简单的等价实现——不使用复杂优化，方便学生学习）

《雨世界》区域总览地图生成器。
https://github.com/IceTiki/rainworld_zhiqiong

『功能』读取《雨世界》游戏文件，生成区域地图。
- 对比Cornifer
  - 支持中文字体
  - 对房间内容解析更完整
  - 不需要手动排布地图
『难点』游戏中区域房间分多个层级，存在三维拓扑关系，难以直接映射到二维。
- 『解决方案』
  1. 广度优先搜索顺序，初始化排布
  2. 模拟房间连接产生的拉力和重叠产生的斥力，迭代优化排布（使用numba/JIT加速迭代过程）
  3. 检查重叠，将重叠房间移开（使用numba/JIT加速迭代过程）
『难点』游戏地图文件格式的文档缺乏：需要结合游戏实际内容，利用开发者工具进行调试与验证，从而推测文件中各数据部分的具体功能。

anima Cold Storage 冷库 (WARD)

二维杆件系统内力求解器。
https://github.com/IceTiki/matrixDisplacementMethod

1 XIANG T, ZHANG C, SONG Y, 等. Walk in the Cloud: Learning Curves for Point Clouds Shape Analysis[A/OL]. arXiv, 2021[2025-09-22]. http://arxiv.org/abs/2105.01288. DOI:10.48550/arXiv.2105.01288. ↩ ↩ ↩

2 STEARNS C, REMPE D, LIU J, 等. CurveCloudNet: Processing Point Clouds with 1D Structure[A/OL]. arXiv, 2024[2025-09-22]. http://arxiv.org/abs/2303.12050. DOI:10.48550/arXiv.2303.12050. ↩ ↩ ↩