【Navigation Toolbox】基于MATLAB的激光SLAM仿真
本文介绍了利用MATLAB实现激光SLAM仿真的方法，讲解了MATLAB Navigation Toolbox中的关键函数，包括创建激光SLAM实例、扫描与构建地图等操作。代码展示了完整的仿真流程，并生成两种可视化效果图。
个人博客, 学习记录
个人博客, 论文学习
BEVFusion：一种高效、通用的多任务多传感器三维感知框架
BEVFusion通过统一鸟瞰视角（BEV）表示实现多传感器融合。该方法克服了传统点级融合的语义损失问题，同时保留相机特征的语义密度和激光雷达的几何结构。针对BEV池化的效率瓶颈，提出预计算和区间约简优化，使计算速度提升40倍以上。实验表明，BEVFusion在nuScenes和Waymo数据集的三维检测任务中达到最优性能，且适用于多种三维感知任务。该框架为自动驾驶提供了一种高效通用的多模态融合解决方案。
Wordpress建站
【运维开发】acme.sh安装｜签发泛域名SSL证书，宝塔Nginx部署+自动续期
本文详细介绍了通过Gitee国内镜像安装acme.sh工具，利用腾讯云API实现泛域名证书的自动DNS验证与申请。针对宝塔面板证书目录权限问题，提供了root用户部署方案，并配置定时任务实现90天自动续签。全程包含实操命令，解决大陆服务器拉取GitHub超时、文件权限不足等常见问题，适用于HTTPS证书自动化管理场景。
个人博客, 论文学习
【人脸复原】ESEFR-GAN：一种不依赖先验信息的人脸复原框架
ESEFR-GAN是一种基于边缘语义增强的无先验盲人脸图像修复方法。针对现有方法依赖高质量先验信息导致灵活性不足、计算成本高的问题，设计了边缘语义增强机制（ESE）和前驱特征融合模块（PFFM），在不依赖先验的情况下提升修复效果。ESE通过对称偏移扩大感受野，增强边缘语义特征；PFFM融合编码器特征与解码器前驱特征，抑制跳跃连接中的退化信息。实验表明，该方法在严重退化场景下仍能生成真实的面部细节，优于现有先验依赖方法。
个人博客
【Windows10】开机自启VMware workstation16
本文介绍了如何实现Windows 10系统定时重启与VMware虚拟机开机自启动的自动化运维方案。主要内容包括：1）通过Windows任务计划设置定时重启任务；2）配置VMware Workstation 16环境变量，使用vmrun命令启动虚拟机；3）创建bat脚本并放入启动目录实现虚拟机开机自启。该方案解决了老旧设备长时间运行卡顿问题，兼顾服务可用性与设备维护，适用于个人网站等轻量级服务部署场景。最后提供了常见问题解决方法和参考资料。
Wordpress建站, 个人博客
WordPress 网站邮件通知功能实现指南：以 WP Mail SMTP 插件与 QQ 邮箱为例
摘要： 本文介绍如何通过WP Mail SMTP插件为WordPress站点配置邮件发送功能。首先安装插件并设置SMTP服务器，以QQ邮箱为例生成授权码作为密码。随后进行测试邮件发送验证配置有效性。
Wordpress建站, 个人博客
【SyntaxHighlighter赋能代码展示】—— 打造专业级代码可视化体验
本文介绍了在WordPress博客中安装SyntaxHighlighter插件以实现代码高亮显示的方法。通过搜索安装该插件并调整配置参数（如语言类型、行号显示等），用户可轻松在文章中嵌入格式化的代码块。
Wordpress建站
MathJax – LaTeX：WordPress 公式精准呈现方案
本文介绍了如何在WordPress网站中实现LaTeX公式支持，通过安装MathJax-LaTeX插件并修改配置，使站点能够精准呈现数学公式。具体步骤包括插件安装、主题文件修改以及添加MathJax脚本代码，最终实现了公式的在线渲染效果。
个人博客, 论文学习
【视网膜分割】AFMIP-Net：一种新型的自适应特征调制和隐式提示网络
本文提出了一种新型的自适应特征调制和隐式提示网络（AFMIP-Net）用于视网膜血管分割。该网络通过自适应特征调制模块抑制背景噪声、增强血管结构表示，结合特征隐式提示融合模块关注病变相关特征，并采用高斯滤波数据增强技术提高模型抗干扰能力。实验在六个主流数据集上验证了AFMIP-Net的优越性能，尤其在毛细血管分割和抗病变干扰方面表现突出。
个人博客, 论文学习
【视网膜分割】ARSA-UNet：一种基于结构自适应模型的空洞残差网络
ARSA-UNet提出了一种基于结构自适应模型的空洞残差网络，用于视网膜血管分割。针对血管形态复杂、背景噪声等问题，该模型结合结构自适应层（SAL）、空洞残差路径（AR Path）、特征筛选融合模块（FSF）和多尺度深度监督（MDS），显著提升了微小血管的分割精度。在DRIVE、CHASE和STARE数据集上的实验表明，ARSA-UNet在敏感度（0.8289）和F1分数（0.8291）上优于现有方法。未来将探索轻量化设计和Transformer应用以优化性能。