LEARNING PLAN / 进阶
视觉与三维场景
从实际图像自动提取观测，推导一般相机、标定、匹配与三角化，再真实训练小型 Gaussian 场景并渲染留出视角。
从问题出发，推导机制，再把实现交给新的输入检验。
时长为编写者建议，包含推演与练习，未经学习者计时验证；可按小节分次完成。
WHAT YOU WILL BUILD
完成之后，拿什么证明理解？
- 从实际PNG自动检测匹配观测
- 估计一般相机并拒绝退化输入
- 重建米制点云与量化深度敏感性
- 区分点云/网格/体场及可见性模型
- 真实训练受限Gaussian场景并验收留出视角
开始前，需要掌握什么？
- 基础Python、数组与向量运算
- 矩阵乘法与导数
- 能运行Python3.11及PyTorch项目
先修用于选择起点，不限制阅读；遇到缺口可返回相应章节。
THE LEARNING ROUTE
每一步，都有去处。
仅保存在当前浏览器；完成标记不代表通过项目验收。
观测与相机
从像素提取观测，建立投影并用标靶估计相机。
真实图像文件、像素坐标与可匹配观测
一张 PNG 怎样变成可供匹配的观测，而不借用生成场景时的三维真值？
一般相机、旋转、投影与尺度
世界点经过旋转和平移后怎样投到像素，坐标、焦距和尺度各用什么单位？
从标定图像估计一般相机矩阵
已知三维标靶和像素对应时，怎样建立 DLT 约束，并识别无法确定相机的退化输入？
对应与表示
检查匹配、三角化不确定性及可见性模型。
对应关系、极线约束与错误匹配
两处亮斑颜色相近且满足极线约束时，为什么仍不能认定它们是同一个三维点？
三角化、深度敏感性与几何精化
两条像素观测怎样给出三维位置，为什么重投影误差很小也可能深度极不稳定？
从点到场：表示、可见性与渲染假设
同一组点换成网格、体场或 Gaussian 后，可见性与渲染分别增加了哪些假设？
拟合与留出视角
训练受控 Gaussian 场景，联合核对几何和光度。
真实训练一个可微 Gaussian 场景
像素误差怎样传回 Gaussian 的位置、颜色与半径，又有哪些场景不能靠拟合辨识？
共同版本的三维场景验收与失败报告
原件到新视角的链路跑通后，怎样联合核对几何、光度、错误对应和真值隔离？
BUILD / TEST / TRANSFER
从彩色图像到可训练三维发光场景
五视角原创PNG与独立非共面标靶，自动检测、DLT、匹配、三角化和84参数可微Gaussian拟合；保留新视角预测、真实错误对应与来源收据。
运行环境
Python 3.11+；PyTorch 2.6.0、NumPy 2.3.5、Pillow 12.3.0；CPU 即可。
解压后先读 README，再按其中环境与命令运行。完整参考实现与学习任务分开提供。
项目完成核对
这是个人核对清单，不是自动评分。保留输入、结果、失败与复现命令。