📝 docs: README.md

Author: EmptyBlueBox

notes/src/14.3D_data.tex

@@ -103,7 +103,7 @@ \subsection{Point Cloud}
     \label{eq:chamfer distance}
 \end{equation}
 
-对于每个单项,称为uni chamfer distance.在一个点云是另一个子集的时候有用.
+对于每个单项,称为uni chamfer distance.在一个点云是另一个子集的时候有用.并且这里似乎应该除以二才能和EMD进行比较.
 
 另一个度量是Earth Mover's distance\footnote{在WGAN中使用.}.与CD不同的是,它要求两个点云数量相同,
 且每个点必须找到互不重复的对应.\footnote{Earthmover,中文直译为推土机.
@@ -155,7 +155,7 @@ \subsection{Implicit Representation}
     \item 使用神经网络把物体的几何通过SDF的方式存储下来
 \end{enumerate}
 
-\subsubsection{mesh to SDF}
+\subsubsection{Mesh to SDF}
 
 在处理Mesh到Signed Distance Field (SDF)的转换时,首先需要一些坐标点,
 基于这些点的距离值,可以尝试开发算法来计算对应的SDF值
@@ -170,7 +170,7 @@ \subsubsection{mesh to SDF}
 这些等高线描绘了在某些区域距离先减小然后增加,其中距离最近的点附近的区域距离为零,
 利用距离为零的区域判断点是在物体的内部还是外部.
 
-\subsubsection{SDF to mesh}
+\subsubsection{SDF to Mesh}
 
 使用 marching cube
 

notes/src/20.generative_model.tex

@@ -216,11 +216,6 @@ \section{Generative Models}
 		\label{fig:simple_VAE}
 	\end{figure}
 
-	如图\ref{fig:simple_VAE}所示,我们可以将VAE简化为一个简单的网络结构:
-	令decoder的$\sigma = 1$,即协方差矩阵为单位阵.否则对于上面这一项,
-	网络可以通过一直增大方差的方式来减小loss,如果$\sigma = 1$,
-	损失函数就没有了分母,变为MSE.
-
 	第二项,也就是让网络输出的分布的接近真实的分布
 	(注意上式的$x$并不是网络输出,而是输入)
 
@@ -240,6 +235,11 @@ \section{Generative Models}
 		\exp^{-\xk{\frac{x - \mu}{\sigma}}^2}
 	\end{equation}
 
+	所以如图\ref{fig:simple_VAE}所示,我们可以将VAE简化为一个简单的网络结构:
+	令decoder的$\sigma = 1$,即协方差矩阵为单位阵.否则对于上面这一项,
+	网络可以通过一直增大方差的方式来减小loss,如果$\sigma = 1$,
+	损失函数就没有了分母,变为MSE.
+
 	\textbf{为什么使用高斯分布?}
 
 	\begin{enumerate}