青山軒

引言

这是一个不再有大师的时代。

我想要说的，前人们都说过了；我想要做的，有钱人都做过了。

因此，作为一个籍籍无名的学生，我写在公选课^[1]结课作业里的话，肯定没有一句是新鲜话，也没几句话经得起推敲。即使如此，我也想写点儿上完这个课、读完这本书^[2]的课后感、读后感，权当给自己留个档了。

20251205 论文写作工作坊课后作业

按照课上所学，请你在第一章作业当中，找至少 5 篇自己论文进行精读，然后进行标题和摘要分析，要写清楚。

1. 文章标题用了哪种命名方式？和其他标题的区别和联系。
2. 文章的摘要包含了哪些内容？和常规的摘要区别在哪。

第一篇

[1] Zhang J, Xie Y, Wang Y, Xia Y. Inter-Slice Context Residual Learning for 3D Medical Image Segmentation[C/OL]//IEEE Transactions on Medical Imaging, 2020, 40(2): 661-672. https://doi.org/10.1109/TMI.2020.3034995.

1. 类型：Learning 机器学习
   亮点：Inter-Slice Context Residual 切片间的上下文残差网络
   场景：3D Medical Image Segmentation 三维医学图像分割
   由三部分拼接起来的中规中矩的标题。

2. 摘要包含了研究背景「三维医学图像分割的重要性」、之前方法的不足「DCNNs 精确度不够高」、提出自己的方法「精确分割的 ConResNet」、ConResNet 的结构、实验结果与对比「在脑瘤分割方面比六种顶尖方法更准确」。
   这篇文章主要的创新在于 ConResNet 这一网络，因此在摘要中花大篇幅介绍了网络结构设计。

第一部分：本体论 —— 镜像与“知”的极限

The Ontology of AI

在掌握如何使用 AI 之前，我们首先需要理解 AI 究竟是什么。这不仅是技术的定义，更是哲学的审视。

1. AI的本质定义

• 概念：AI = 人类知识的高维数学镜像。
• 解读：大语言模型 (LLM) 并非像人类一样“理解”世界，而是将人类所有的文本知识压缩成了高维向量空间中的数学概率关系。它不是知识的源头，而是人类文明在数学维度上的投影。

2. “巨镜”隐喻

• “AI 像一面巨镜”：既然是镜像，它反射的是提问者的认知。你平庸，它就平庸；你深刻，它就深刻。它照出的不仅是知识，更是提问者自身的水平。
• 极致的“知”：AI 拥有人类历史上几乎所有的事实性知识，这是一种极致的“知”。
• 无目的与无物体性：
  • 无目的：AI 网络没有生物性的欲望，也没有内在的意图。它不会“想要”回答你，它只是在进行概率预测。
  • 无物体性：它没有身体（非具身），无法像人一样通过感知物理世界来获得经验。

20251128 论文写作工作坊课后作业

Kopf J, Fu C-W, Cohen-Or D, Deussen O, Lischinski D, Wong T-T. Solid texture synthesis from 2D exemplars[C/OL]//ACM Transactions on Graphics (SIGGRAPH 2007 issue), 2007, 26(3).

doi

1. 创新点新在哪里？

首次将基于马尔可夫随机场的 2D 全局纹理优化扩展到 3D 体纹理合成，通过最小化 “3D 体素在三个正交切片上的局部邻域与 2D 样本邻域的差异”，解决了 “2D 样本如何生成自洽 3D 结构” 的核心问题。

将非参数纹理优化与直方图匹配结合，直方图匹配动态调整体素更新权重，避免结果陷入 “重复少数样本邻域” 的局部最优陷阱。

Mac 方法

Mac 有三条路可以走：

1. Mac Virtual Display 串流；
2. 使用 Play to Device 在编辑器中串流测试；
3. 通过 XCode 打包到眼镜上运行。

SteamVR 很早就放弃支持 Mac 了，所以很可惜 SteamVR 这条路不通。下面逐一分析上述三条路。