work and record my progress and effort in the scientific research in ZJU CAD&CG

AGILE

type: paper description: Hand-object Interaction Reconstruction from video via Agentic Generation

monocular video mesh, fragmented, non-simulation-ready geometry

long-tail = category that has less samples in dataset 长尾类别指数据分布中样本数量较少的类别，与头部类别相对。不等于现实稀有类别。

CV 常见任务：

任务	模型要回答的问题	输出是什么	例子
图像分类 Classification	这张图整体是什么？	一个或多个类别标签	这张图是 dog
目标检测 Object Detection	图里有哪些物体？分别在哪里？	类别 + 矩形框	图中有一只 dog，位置是一个 box
实例分割 Instance Segmentation	每个独立物体的精确轮廓是什么？	类别 + 每个实例的 mask	两只狗分别对应两个 mask
语义分割 Semantic Segmentation	每个像素属于什么类别？	每个像素的类别	草地像素是 grass，狗像素是 dog
姿态估计 Pose Estimation	人/动物的关键点在哪里？	关键点坐标	人的肩膀、手肘、膝盖位置
目标跟踪 Object Tracking	视频里同一个物体在不同帧中如何移动？	ID + 框/mask/轨迹	第 1 只狗从左边跑到右边
图像生成 Image Generation	根据条件生成图像	新图像	根据文字生成“一只雪地里的阿拉斯加犬”
图像描述 Image Captioning	这张图在讲什么？	一段自然语言	“一只狗站在草地上”
视觉问答 Visual Question Answering, VQA	根据图片回答问题	文本答案	问：“狗是什么颜色？”答：“黑白色”
OCR Optical Character Recognition	图片里的文字是什么？	文本 + 可选位置	识别车牌、票据、截图文字
深度估计 Depth Estimation	每个位置离相机多远？	深度图	判断道路场景中物体远近
异常检测 Anomaly Detection	图像里有没有异常？异常在哪里？	正常/异常 + 可选区域	工业零件有划痕
图像检索 Image Retrieval	哪些图片和这张图相似？	相似图片排序	以图搜图
重识别 Re-identification, ReID	不同摄像头中是不是同一个对象？	ID 匹配结果	行人 ReID、车辆 ReID

这个输出的答案就是数据标注 annotation 比如一个COCO的目标检测标注：

{
  "image_id": 1,
  "category_id": 18,
  "bbox": [120, 80, 300, 240]
}

表示第一个物体是第18个类别，位置框是 $[120,80,300,240]$

Annotation 是数据集中人工标注的给模型用的答案。

Fine-tune: use a specific dataset make a trained model more excelled in specific domain. RAG: retrieve information from outside knowledge library. It's better for frequently changing information.

embedding: transform discrete objects to continuous vectors e.g.:

"蓝牙耳机" → [0.12, -0.38, 0.91, ...]
"降噪耳机" → [0.15, -0.35, 0.88, ...]
"煮饭锅"   → [-0.72, 0.04, 0.19, ...]

The model doesn't understand "蓝牙耳机". But it transforms it to numerical representation. The semantic similarity can be described by vector distance or angle.

---

AI for science: Accelerating, optimization

小切口： 哪个问题足够窄、足够真实、足够可验证，并且能在你的资源约束下做出比现有 baseline 更明确的改进？

指标	你要问的问题
数据可得性	是否有公开数据集？数据格式是否容易处理？
评估清晰度	是否有明确指标，比如 Dice、MAE、AUROC、top-k recall？
算力可承受	4060/4090 是否能复现和改进？
baseline 明确	是否有公开代码、论文、SOTA 可对比？
领域价值	这个问题是否对应真实科研/工程需求？
差异化空间	还能不能通过结构先验、模型改造、数据构造做出新东西？
作品集展示性	是否容易写成 GitHub、技术博客、复现实验、demo？
不选“最宏大”的，选择指标得分高且能落地的

选择晶体材料性质预测 / 结构预训练工作

湿实验（wet lab experiment）指在真实物理环境中操作生物、化学或医学材料的实验，通常会接触液体样品、试剂、细胞、组织、微生物、DNA/RNA、蛋白质等。

典型例子包括：

类型	例子
分子生物学	PCR、qPCR、DNA/RNA 提取、凝胶电泳
细胞实验	细胞培养、转染、药物处理、细胞活性检测
生化实验	Western blot、ELISA、酶活测定
微生物实验	细菌培养、抗生素敏感性测试
化学实验	滴定、合成反应、色谱分析

它与**干实验（dry lab）**相对。干实验主要依赖计算、建模、数据分析或仿真，例如生物信息学分析、分子对接、机器学习建模、统计分析等。

简单说：湿实验是在实验台上“动手做样品”；干实验是在计算机上“分析或模拟”。