全基因组关联研究(GWAS)可以揭示重要的基因型-表型关联，但数据质量和可解释性问题必须得到解决。对于根据现有证据确定目标靶点的药物发现科学家来说，这些问题已不是单一的药物发现研究。作者开发的TIGA（Target Illumination GWAS Analytics）通过对全基因组关联研究(GWAS)中与性状相关的蛋白质编码基因进行评分和排序，促进药物靶点的发现。TIGA可以用相同的基因

总结一下最近看的这篇结合神经网络的全局光照论文 这是一篇2013年TOG的论文。 介绍 论文的主要思想是利用了神经网络的非线性特性去拟合全局光照中的间接光照部分，采用了基础的2层MLP去训练，最终能实现一些点光源、glossy材质的光照渲染。为了更好的理解、其输入输出表示如下。 首先是原文的介绍： 4个三维向量：着色点位置 x p x_p xp​，间接光照对应视角方向 v v v，点光源位置

Component is not found in path "components/energy/illumination" 直接清除缓存重新编译

Component is not found in path "components/energy/illumination" 直接清除缓存重新编译

局部光照补偿 (local illumination compensation，LIC)技术基于光照变化的线性模型，认为当前块和参考块之间存在线性关系，表示为α*p[x]+β，其中p[x]是当前块单向预测MV指向的参考块，α和β是分别是缩放因子和偏移项，通过当前块模板和参考块模板（下图蓝色区域）推导得到，如下图所示。  LIC的使用条件： 仅用于帧间单向预测对亮度样本少于32的块禁用 LI