对genesis源码的一些理解和分析。包括底层Taichi的简要介绍和genesis刚体仿真的实现，以及和mujoco的一些对比。
Scene Recognition with Bag of Words
Graduate course computer vision homework 3: Scene Recognition with Bag of Words.
Panorama Stitching
Graduate course computer vision homework 2: Panorama Stitching.
Genesis简要介绍与样例展示
Introduction Genesis 是一个物理平台，专为通用机器人/嵌入式人工智能/物理人工智能应用而设计。它同时是多种事物： 从头开始重建的通用物理引擎，能够模拟各种材料和物理现象。 一个轻量级、超快速、Pythonic 且用户友好的机器人仿真平台。 强大且快速的逼真渲染系统。 一种生成数据引擎，可将用户提示的自然语言描述转换为各种数据形式。 Examples ...将现有场景生成网格导入mujoco的简要pipeline
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。
Photometric Stereo
Graduate course computer vision homework 1: Photometric Stereo.
主流三维重建方法对比
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。
NeRF Studio简要教程
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
Mathjax与渲染引擎marked冲突解决方案
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。
SplatSim 论文解读
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。