add notes

Docs/2024-10-25/DiffusionModelFamily.md

@@ -1,11 +1,33 @@
 # 2D-Generation
-Stable Diffusion3
+    Stable Diffusion3：《Scaling Rectified Flow Transformers for High-Resolution Image Synthesis》
+![img.png](imgs/StableDiffusion3.png)
+* 在线网站：https://stability.ai/stablediffusion3
+* 论文链接：https://stability.ai/news/stable-diffusion-3-research-paper
+* 模型链接：https://stability.ai/news/stable-diffusion-3-medium
+2024年2月22日，Stability AI发布早期预览版的Stable Diffusion 3，这是Stability AI性能最强大的文图生成模型，大大提高了在多主题提示、图像质量和拼写能力方面的表现。
 
+扩散模型通过反转数据到噪声的正向路径来从噪声中创建数据，并已成为处理高维感知数据（如图像和视频）的强大生成建模技术。Rectified flow是一种最近提出的生成模型形式，它将数据和噪声连接在一条直线上。尽管其具有更好的理论性质和概念上的简单性，但它尚未被明确确定为标准实践。
 
 # 3D-Generation
-Wonder3D
+    Wonder3D
+* 论文链接：https://arxiv.org/abs/2310.15008
+* 代码链接：https://github.com/xxlong0/Wonder3D
+
+随着扩散模型的提出，3D 生成领域取得了长足进步。从单张图片重建出 3D 几何是计算机图形学和 3D 视觉的基础任务，在 VR、游戏、3D 内容生成、机器人领域有广泛的应用。由于该任务是不适定的，需要推理出可见和不可见区域的 3D 几何结构。该种能力的构建需要大量的 3D 世界的知识。
+
+部分工作（如 DreamField, DreamFusion, Magic3D）需要通过 score distillation sampling 来蒸馏 2D 图像扩散模型或视觉语言模型的先验知识，从文本或图像创建出 3D 模型。尽管这些方法的结果很吸引人，但都面临着两个问题：效率和一致性。
+
+效率问题：为了生成一个满意的 3D 模型，这些基于 SDS 的方法的优化过程通常需要数万次迭代，包括全图渲染和扩散模型的推理，导致每次形状优化可能需要几个小时。需要对每个候选形状进行多次迭代优化，每次迭代都需要评估和调整模型参数。
+一致性问题：2D 先验模型在每次迭代时只考虑一个视角，使得每个视角都接近于输入图像，这会造成生成的 3D 形状不一致，如 Janus 问题。
+
+    “Janus problem”（雅努斯问题）是在3D内容创建领域，尤其是基于文本或图像提示生成3D模型时遇到的一个特定问题。这个问题通常指的是，当使用2D图像扩散模型或视觉语言模型来生成3D模型时，模型可能无法准确捕捉文本提示中特定视角的信息，导致生成的3D模型在不同视图下出现不一致性，例如，一个物体的正面视图特征（如面部或头部）错误地出现在其他视图中，从而产生多面或不一致的3D模型。
+
+Wonder3D 的新方法，它是一种从单视图 3D 重建的新方法，与以往方法不同，这种方法侧重于生成多视图一致的法线贴图和彩色图像。为了解决保真度、一致性、泛化性和效率的问题，它用了一个跨域扩散模型，这是一种能同时处理两种不同类型数据（法线和颜色）的模型。核心思想是扩展 stable diffusion，对两个不同域（法线和色彩）的协同分布来建模。Domain switcher 允许扩散模型根据需要生成法线贴图或彩色图像，增加了模型的灵活性。跨域注意力机制则在这两个域之间传递信息，提升生成图像的一致性和质量。为了从生成的视图中稳定地提取表面，作者提出了一种几何感知的法线融合算法。这种算法对不准确性具有鲁棒性，并能够重建干净、高质量的几何形状。
+
+![img.png](imgs/Wonder3D.png)
 
 # Video Generation
-KLING
+    KLING
 
-# 
+# NLP Tasks
+    SEDD

Docs/2024-10-25/Survey.md

@@ -1,33 +1,22 @@
 # Diffusion
 Introduced by Ho et al. in Denoising Diffusion Probabilistic Models https://arxiv.org/pdf/2006.11239v2
-![Alt text](DiffusionTasks.png)
+![Alt text](imgs/DiffusionTasks.png)
 ## 1.Description
 
 ## 2.Background
 各式各样的深度生成模型最近都表现出了高质量样本数据模式：生成对抗网络GANs、自回归模型、流和变分自编码器VAE已经合成出了图像和样本
 
-扩散模型(Diffusion Probabilistic model)是一个参数化马尔可夫链
+扩散模型通过一个特殊的退化过程，逐步地恢复图像，它采用了一个前向马尔可夫链和反向马尔可夫链。在扩散模型中，正向过程涉及一个马尔可夫链，它将数据逐步转化为噪声。
 
 ## 3.Papers & Methods
-* 
-*
-*
-*
+
 ## 4.Networks
 
 
 ## 5.Comparision
-| Method | Venue | | |
-|--|--|--|--|
-|  |  |  |    |
+
 
 ## 1.Denoising
-### 1）Description
-
-### 2）
-
-
-
 
 ## 2.Image Generation
 

Docs/2024-10-25/report_1025.md

@@ -1,18 +1,16 @@
-# 2024-10-24感知智能组会汇报
+# 2024-10-25感知智能组会汇报
 # 一、近期工作
-## 1.论文阅读
-### 1）其他领域
-
-### 2）MAE相关
-
-
+## 1.申报书撰写
+2024-10-19～2024-10-21 和芳州一起完成项目申报书的撰写
 ## 2.文章调研
-
+2024-10-22～2024-10-24 进行AIGC相关文章的调研
+## 3.比赛申报
+2024-10-24～2024-10-25 基于师兄给的材料完成比赛的申报
 
 # 二、未来规划
 ## 1.文章调研
-
+继续完成Diffusion部分网络结构的调研，预计在下周输出一份完整文档
 ## 2.项目代码
-
+继续挖掘预训练模型的finetune方法和运用
 ## 3.反思思考
-
+在Image Generation和Image Reconstruction部分找思路，预计在下周输出文档的基础上对现有思路进行整合