数字媒体技术专业本科三年级《智能图形分析算法与实时渲染实践》教学设计

数字媒体技术专业本科三年级《智能图形分析算法与实时渲染实践》教学设计

  一、课程总体理念与设计思路

  本课程立足于数字媒体技术领域的前沿交叉点，旨在深度融合计算机图形学、计算机视觉与人工智能技术，构建一个面向高阶能力培养的“算法-工程-艺术”三位一体教学模式。课程设计摒弃了传统软件工具操作教学的浅层模式，转而聚焦于图形图像信息处理的核心机理与前沿算法实现。我们秉持“原理驱动、代码落地、性能优先、创新引领”的理念，引导学生从底层理解智能分析（如图像分割、目标检测、三维重建）与实时渲染（如基于物理的渲染、全局光照、延迟渲染）的技术本质。通过系统性的理论推导、严谨的算法复现、基于现代图形API（如Vulkan/DirectX12）或游戏引擎（如UnrealEngine5Lumen/Nanite）的深度实践，以及面向真实场景的综合性项目挑战，培养学生解决复杂图形问题的工程能力、优化系统性能的瓶颈分析能力，以及将前沿算法转化为创新应用的科研潜力。课程将模拟工业级研发流程，强调代码质量、架构设计与可视化调试，使学生不仅“知其然”，更“知其所以然”，并初步具备在元宇宙、数字孪生、高端影视特效、实时仿真等尖端领域从事核心技术研发的坚实基础。

  二、学情分析

  本课程面向数字媒体技术专业本科三年级学生。经过前序课程学习，学生已具备以下知识与技能基础：1.编程基础：熟练掌握C++或Python语言，具备良好的面向对象编程思想和数据结构应用能力。2.数学基础：学习了线性代数、概率论与数理统计、高等数学，对向量、矩阵、空间变换、概率分布有基本理解，但将数学知识应用于图形学具体问题的能力尚待加强。3.专业基础：已完成计算机图形学基础、数字图像处理、数据结构等课程，了解光栅化基本流程、图像滤波、几何变换等概念，但对现代渲染管线与智能分析算法的结合缺乏系统认知。4.能力与心态：学生具备较强的求知欲和对视觉技术的兴趣，乐于接受挑战。但部分学生可能对复杂的数学推导和底层系统编程存在畏难情绪；团队协作经验多集中于应用层开发，缺乏大型、高性能代码项目的协作与管理经验。因此，本课程需在巩固理论的同时，通过模块化、阶梯式的实践任务，搭建从理论到工业级实践的桥梁，并提供充分的代码框架与调试工具支持，降低初始门槛，逐步提升其信心与能力。

  三、教学目标（三维目标）

  （一）知识与技能目标

  1.深入理解智能图形分析的核心算法簇，包括但不限于：基于深度学习的图像语义分割（如U-Net,DeepLab系列）、实例分割（如MaskR-CNN）、目标检测（如YOLO系列，FasterR-CNN）的原理、架构与训练/推理流程；掌握传统与基于学习的特征点检测与匹配方法（SIFT,ORB,SuperPoint）；理解多视图几何与运动恢复结构（SFM）的基本原理。

  2.系统掌握现代实时渲染管线的完整体系，深入理解从模型数据到最终像素的全过程。具体包括：GPU渲染管线各阶段（输入装配、顶点着色器、曲面细分、几何着色器、裁剪、光栅化、片元着色器、输出合并）的详细工作机制；基于物理的着色模型（微表面模型，如BRDF）与材质系统；实时全局光照技术的基本原理与主流实现方案（如屏幕空间反射/折射、光照贴图、体素化全局光照、光线追踪硬件加速）；现代渲染优化技术（如延迟渲染、集群化/瓦片式延迟渲染、层次细节技术、实例化渲染）。

  3.能够综合运用智能分析算法对图形图像数据进行预处理、分析与理解，并将分析结果（如三维点云、分割蒙版、深度图、场景图）高效、有机地融入实时渲染管线，驱动渲染内容的智能化生成、交互与优化。

  4.熟练掌握至少一种现代图形API（如Vulkan）或高级图形引擎（如UnrealEngine5）的相关模块，能够基于其进行算法实现、性能分析与优化，完成一个具备智能分析输入与高质量实时渲染输出的综合性交互应用原型。

  （二）过程与方法目标

  1.通过“文献阅读→算法推导→伪代码设计→具体实现→实验验证→性能剖析”的完整科研训练流程，培养学生独立研究、复现与改进图形学算法的科学方法。

  2.通过项目驱动的学习，培养学生进行系统架构设计、模块化编程、版本控制（Git）、性能profiling（如使用RenderDoc,NsightGraphics）和跨平台调试的工程实践能力。

  3.引导学生在复杂技术选型中进行分析、比较与决策，例如在不同实时全局光照方案间进行权衡，在分析精度与渲染效率间寻找平衡点。

  4.鼓励通过小组协作、技术报告、代码评审等形式，提升技术沟通、协作开发与知识分享的能力。

  （三）情感态度与价值观目标

  1.激发学生对计算机图形学与人工智能交叉领域深入探索的热情，培养其攻坚克难、追求卓越的技术精神。

  2.树立正确的性能与质量观，理解在资源约束下寻求最优解是图形工程师的核心价值。

  3.培养知识产权与学术规范意识，在引用算法、代码和数据时恪守学术道德。

  4.认识到图形技术作为人机交互核心媒介的社会价值，思考其在推动科学可视化、文化遗产数字化、无障碍设计等领域的积极作用，树立技术向善的责任感。

  四、教学重点与难点

  （一）教学重点

  1.智能分析算法的图形学接口化：重点讲解如何将深度学习模型的输出（通常是张量或概率图）转化为渲染管线可直接使用的几何、纹理或材质数据。例如，将语义分割结果转换为用于选择性渲染或后期处理的遮罩纹理；将单目深度估计结果融入渲染管线的深度测试或遮挡关系计算。

  2.现代实时渲染管线的并行计算本质：重点剖析GPU的SIMD/SIMT架构如何影响着色器程序的设计与优化，解释渲染管线中的同步与资源屏障概念。

  3.基于物理的渲染（PBR）理论与实现：重点讲解能量守恒、菲涅尔效应、微表面理论等核心物理原理如何转化为BRDF数学模型及在着色器中的高效实现。

  4.延迟渲染管线及其变体：作为现代游戏引擎的主流架构，重点讲解其如何解耦几何复杂度与光照复杂度，分析其带宽消耗、内存占用与抗锯齿等挑战及解决方案。

  （二）教学难点

  1.复杂数学理论的图形学直观理解与代码转化：例如，将四元数用于旋转插值、将球谐函数用于光照传输的近似、将张量计算用于神经网络推理的加速。难点在于帮助学生建立抽象的数学符号与具体的视觉现象、数据存储、GPU指令之间的映射关系。

  2.渲染性能瓶颈的分析与精准优化：学生难以从宏观帧率下降快速定位到具体的瓶颈阶段（如顶点处理瓶颈、像素填充瓶颈、纹理带宽瓶颈、DrawCall过多等），并实施有效的优化策略（如合批、LOD、异步计算、资源压缩）。

  3.智能分析模块与实时渲染模块的协同与数据流设计：难点在于设计低延迟、高效率的数据交换机制。例如，如何异步运行深度学习推理以避免阻塞渲染主线程；如何管理分析结果在CPU和GPU之间的传输与同步；如何处理分析算法与渲染帧率不匹配时的数据插值与预测。

  4.前沿技术的快速演进与知识体系构建：光线追踪硬件（RTCore）、网格着色器、可变速率着色等新技术不断涌现。难点在于在有限学时内，既要讲清基本原理，又要引导学生建立自主跟踪、学习和评估新技术的能力框架。

  五、教学策略与方法

  本课程采用“理论精讲-代码剖析-项目驱动-多维评价”四位一体的混合式教学策略。

  1.翻转课堂与精讲深化：将算法原理、公式推导等基础内容制作成微视频与交互式笔记，供学生课前自主学习。课堂时间则集中于难点剖析、关键代码段逐行讲解、架构设计讨论以及前沿论文研讨。

  2.案例教学与可视化调试：精心设计一系列由浅入深的代码案例，每个案例聚焦一个核心概念或技术点。大量使用图形调试工具（如RenderDoc）捕获并可视化渲染管线的中间状态（如G-Buffer、深度图、阴影图），将抽象的数据流和状态变化转化为直观的视觉图像，极大降低理解门槛。

  3.项目驱动与敏捷开发：课程核心是一个贯穿始终的综合性项目，例如“基于单目视频的动态场景实时重建与渲染”。项目被分解为多个迭代周期（Sprint），每个周期对应一个教学模块。学生以小组形式，采用类似敏捷开发的方式进行任务规划、编码、集成与测试，教师担任“技术主管”角色，进行定期代码审查和方案指导。

  4.协同学习与知识建构：利用在线协作平台（如GitLab，Notion）管理项目文档和代码。鼓励学生通过技术博客、代码注释、小组会议纪要等形式进行知识沉淀与分享。组织“渲染技术研讨会”，由学生分组汇报对特定前沿论文或开源项目的调研成果。

  5.虚实结合的实验环境：除了在真实硬件上开发与测试，还将利用云渲染资源和GPU虚拟化技术，让学生能够接触和测试不同配置（如不同型号GPU、不同内存带宽）下的性能表现，加深对硬件架构影响的理解。

  六、教学过程详细设计（总学时：96学时，其中理论32学时，实验与项目64学时）

  第一阶段：智能图形分析算法基础与图形学接入（28学时）

  模块1-1：引言与数学工具回顾（4学时）

  课前任务：学生自学提供的线性代数（重点：向量/矩阵运算、坐标变换）、概率论（重点：贝叶斯推断、高斯分布）复习材料，并完成在线测试题。

  课堂实施：

    第一学时：课程概述。从一个震撼的实时数字孪生或电影特效案例视频引入，剖析其中隐含的智能分析与渲染技术，提出核心问题：“机器如何‘看懂’场景并‘画’出来？”明确课程学习路径与最终项目愿景。接着，快速回顾图形学核心数学，但聚焦于几何解释与着色器中的应用。例如，用交互式WebGL演示说明矩阵乘法如何实现物体的旋转、缩放，以及齐次坐标如何处理透视投影。

    第二至三学时：深度学习基础快速通道。针对图形学学生，精讲卷积神经网络（CNN）的基本构件（卷积层、池化层、激活函数、全连接层），重点阐明其空间特征提取能力。使用可视化工具（如CNNExplainer）动态展示特征图的变化。引入一个极简的、使用PyTorch/TensorFlow实现的图像分类示例，但着重讲解数据流（Tensor）、计算图以及模型导出为通用格式（如ONNX）的流程。

    第四学时：图形编程环境配置与“HelloTriangle”。指导学生搭建开发环境（如VulkanSDK或UE5源码编译环境）。通过亲手编写一个渲染三角形的完整程序，理解窗口系统集成、图形API初始化、着色器编译、管线创建、命令缓冲录制与提交的完整流程。使用RenderDoc捕获第一帧，直观查看管线stages的输出。

  模块1-2：图像分析与三维重建初步（12学时）

  课前任务：阅读经典图像分割论文（如FCN）的引言部分，思考分割结果在图形学中的可能用途。

  课堂实施：

    第五至六学时：图像语义分割与实例分割。理论讲解U-Net的编码器-解码器结构以及跳跃连接如何保留空间信息。对比MaskR-CNN如何增加分支实现实例区分。核心在于实践：指导学生使用预训练模型在自定义数据集上进行推理。实验重点不是训练模型，而是：1）编写前后处理代码，将模型输出的概率图转化为二值掩膜或彩色标签图；2）将分割结果作为纹理上传至GPU；3）编写一个片段着色器，根据此纹理对原图进行高亮渲染或区域剔除。

    第七至八学时：目标检测与场景理解。讲解两阶段（FasterR-CNN）与单阶段（YOLO）检测器的设计哲学与性能权衡。实验：从实时视频流中检测特定物体（如行人、车辆），获取其边界框（BoundingBox）信息。挑战任务：将2D边界框反投影到3D场景（需已知或估计相机参数与粗略深度），在3D渲染场景中对应的位置放置一个虚拟的3D标记或触发特效。

    第九至十学时：特征提取、匹配与运动恢复结构（SFM）。深入讲解SIFT特征子的旋转、尺度不变性原理，并与学习型的SuperPoint进行对比。演示如何使用OpenCV或COLMAP进行多视图的特征匹配和稀疏点云重建。实验：学生编写代码，将COLMAP输出的稀疏点云和相机位姿数据导入自己的渲染程序。任务包括：1）解析点云数据（PLY格式）并渲染；2）根据相机位姿在3D场景中可视化相机路径；3）尝试用点云数据来近似场景的几何轮廓。

    第十一至十二学时：深度学习与三维几何的结合。介绍单目深度估计（如MiDaS）和法向预测网络。实验：对单张图片运行深度估计网络，得到深度图。挑战：1）将深度图与彩色图结合，在着色器中实现简单的基于深度的雾效或景深效果；2）尝试将深度图转化为点云（需要相机内参），并与SFM得到的点云进行对比分析。

  模块1-3：数据交换与协同机制设计（12学时）

  课前任务：查阅资料，了解CPU与GPU之间的数据传输方式（如PCIe带宽），以及多线程编程的基本概念。

  课堂实施：

    第十三至十四学时：GPU-CPU异步计算与数据流。深入讲解图形API中的命令队列（GraphicsQueue,ComputeQueue,TransferQueue）及其同步机制（信号量，栅栏）。通过一个典型案例：在ComputeQueue上异步运行一个图像滤波的computeshader，同时GraphicsQueue在渲染上一帧的内容，两者通过信号量同步。让学生理解如何避免流水线停滞。

    第十五至十六学时：神经网络推理的加速与集成。介绍针对推理优化的框架（如TensorRT,ONNXRuntime）以及它们在GPU上的部署。实验：将之前使用的PyTorch分割模型转换为TensorRT引擎，并集成到C++渲染程序中。测量并对比集成前后，从摄像头捕获图像到在渲染画面中显示分割结果的总延迟。

    第十七至十八学时：共享内存与零拷贝技术。讲解如何避免分析结果在CPU和GPU间的来回拷贝。介绍CUDA/Vulkan的可互换内存（ExternalMemory）或统一内存地址空间（UnifiedMemory）技术。实验：设计一个共享存储区域，深度学习推理的结果（如一个浮点型张量）直接写入该区域，而片段着色器可以直接从该区域读取数据作为渲染依据。

    第十九至二十学时：阶段一综合实验与项目规划。学生以小组为单位，完成一个“智能场景分析器”迷你项目。要求：从摄像头或视频文件中读取图像，实时运行目标检测和语义分割，并将分析结果（边界框、类别标签、分割蒙版）以图形化方式叠加显示在原始图像或一个简单的3D场景上。同时，输出分析得到的关键数据（如物体数量、位置统计）。各组进行展示与互评。在此过程中，教师引导各组确定最终综合性项目的具体选题和初步技术方案。

  第二阶段：现代实时渲染核心技术（36学时）

  模块2-1：现代渲染管线与高级着色技术（16学时）

  课前任务：回顾传统固定功能管线，预习可编程着色器各阶段的功能。

  课堂实施：

    第二十一至二十二学时：GPU架构与着色器编程进阶。系统讲解GPU的线程层次结构（Thread,Warp/Wavefront,Block/Workgroup,Grid）。通过编写一个简单的computeshader进行并行归约求和，直观理解GPU并行模式。深入讲解着色器资源绑定（DescriptorSet）与管线状态对象（PSO）。

    第二十三至二十四学时：基于物理的材质与光照（一）。从辐射度量学基本概念出发，推导渲染方程。重点讲解微表面理论及Cook-TorranceBRDF模型。逐项分析法线分布函数（NDF）、几何函数（G项）和菲涅尔方程（F项）的物理意义与常见实现（如GGX，Smith模型）。实验：实现一个离线（CPU）的BRDF可视化工具，绘制不同粗糙度、金属度下的BRDF切片图。

    第二十五至二十六学时：基于物理的材质与光照（二）。将BRDF模型在片段着色器中实现。讲解直接光照的计算，包括点光源、聚光灯、方向光。引入图像-BasedLighting（IBL）技术，讲解如何通过环境立方体贴图（Cubemap）和预计算（预滤波环境贴图、BRDF积分贴图）来实现高效的全局漫反射和镜面反射。实验：实现一个包含直接光和IBL的PBR着色器，加载不同材质的球体进行展示。

    第二十七至二十八学时：阴影映射技术进阶。分析标准阴影映射的缺陷（锯齿、PeterPanning）。讲解百分比渐进滤波（PCF）用于柔化边缘，以及方差阴影贴图（VSM）或级联阴影贴图（CSM）用于解决透视走样和大型场景覆盖问题。实验：在场景中实现CSM，并使用RenderDoc逐级查看各级阴影贴图的内容。

    第二十九至三十学时：延迟渲染架构。详细阐述从正向渲染到延迟渲染的动机。讲解几何通道（GBuffer的布局设计：存储位置、法线、反照率、粗糙度、金属度等）和光照通道。分析延迟渲染的优缺点（光照复杂度解耦vs.带宽压力、透明物体处理、抗锯齿困难）。实验：实现一个基础的延迟渲染器，并设计一个可视化界面，可以开关查看GBuffer的各个分量。

    第三十一至三十二学时：屏幕空间技术。讲解屏幕空间反射（SSR）、屏幕空间环境光遮蔽（SSAO）和屏幕空间方向性遮蔽（SSDO）的原理。它们共同的特点是利用当前帧的深度和法线缓冲（GBuffer的一部分）在屏幕空间进行后处理计算。实验：实现SSAO，并调整其采样半径、强度等参数，观察对场景环境遮挡感的影响。

  模块2-2：全局光照与高级渲染特性（12学时）

  课前任务：了解光线追踪的基本概念，阅读一篇关于实时光线追踪（DXR/VulkanRayTracing）的入门博客。

  课堂实施：

    第三十三至三十四学时：实时光线追踪（一）。讲解光线追踪硬件（RTCore）的工作原理。介绍光线追踪管线（RayGeneration,Intersection,AnyHit,ClosestHit,MissShaders）与传统光栅化管线的区别。通过一个最简单的案例：在着色器中发射一条视线射线，与场景中的三角形求交，如果命中则返回颜色，否则返回天空颜色。

    第三十五至三十六学时：实时光线追踪（二）。利用光线追踪实现反射和阴影。对比光线追踪反射与SSR的效果和性能。讲解降噪（Denoising）技术对实时光线追踪的必要性，介绍基于时空积累的降噪滤波器基本思想。实验：在支持RT的硬件上，实现带单次反射和硬阴影的光线追踪效果，并尝试集成一个简单的时空降噪器。

    第三十七至三十八学时：预计算全局光照与辐射度算法。讲解光照贴图（Lightmap）的烘焙流程、UV展开的挑战以及动态物体的处理（光照探针）。介绍更先进的预计算辐射度传输（PRT）和球谐函数（SH）的基本概念，展示如何用低阶SH系数编码低频光照环境。实验：使用游戏引擎或第三方工具为一个小场景烘焙光照贴图，并导入到自研渲染器中应用。

    第三十九至四十学时：体素化全局光照（VXGI）与Lumen技术解析。讲解将场景体素化（Voxelization）并追踪锥体（ConeTracing）来近似间接光照的方法。以UnrealEngine5的Lumen系统作为案例，深入剖析其混合使用表面缓存（SurfaceCache）、屏幕空间追踪和网格体距离场（SDF）的复杂技术架构，理解其如何实现动态全局光照。本学时以原理分析和架构研讨为主。

  模块2-3：渲染优化与性能剖析（8学时）

  课前任务：使用性能分析工具（如NsightGraphics）对自己当前的项目进行一次性能快照（Profile），找出一个可能的瓶颈点。

  课堂实施：

    第四十一至四十二学时：性能瓶颈理论与分析工具深度使用。系统讲解渲染管线中可能出现的各类瓶颈（CPU端：DrawCall提交、状态切换；GPU端：顶点处理、像素填充、纹理采样、着色器计算等）。教授如何阅读和分析NsightGraphics或RenderDoc的Timeline和性能计数器。学生带着课前任务的结果进行小组讨论，教师现场指导分析。

    第四十三至四十四学时：DrawCall优化技术。详解实例化渲染（Instancing）的原理与使用场景。讲解合批（Batching）策略，包括静态合批和动态合批的条件与限制。实验：对一个包含大量相同模型的场景（如一片草地），分别使用普通绘制和实例化渲染，对比DrawCall数量和帧率。

    第四十五至四十六学时：层级细节（LOD）与遮挡剔除。讲解根据物体与相机的距离切换不同细节层次模型的算法。介绍硬件遮挡查询（OcclusionQuery）和软件遮挡剔除（如基于深度缓冲的Hi-Z剔除）的基本原理。实验：实现一个简单的基于距离的LOD系统，并使用RenderDoc验证不同距离下绘制调用的模型复杂度。

    第四十七至四十八学时：着色器优化与带宽优化。讲解常见的着色器优化技巧（如避免分支、使用内置函数、减少纹理采样次数）。分析带宽对延迟渲染的影响，讲解如何通过压缩GBuffer格式（如使用R11G11B10_FLOAT存储颜色）来降低带宽压力。实验：尝试修改GBuffer的存储格式，并使用工具测量显存带宽占用的变化。

  第三阶段：综合项目实践与创新应用（32学时）

  模块3-1：项目中期整合与架构评审（8学时）

  课前任务：各小组完成项目核心模块的初步实现，并准备一份技术架构文档和演示原型。

  课堂实施：

    第四十九至五十二学时：项目中期答辩与评审。每个小组进行15分钟演示和10分钟问答。演示需包含：1）项目目标与创新点；2）系统架构图（清晰展示智能分析模块与渲染模块的数据流）；3）已实现的核心功能展示；4）当前遇到的重大技术挑战。教师与其他小组作为评审，从技术合理性、架构清晰度、进度完成度、创新性等方面提问和打分。教师针对共性的架构问题（如数据流设计低效、同步处理不当）进行集中讲解和案例修正。

    第五十三至五十六学时：针对性技术攻坚工作坊。根据中期评审暴露的问题，教师组织专题工作坊。例如，针对“分析结果延迟导致渲染抖动”问题，深入讲解预测与插值算法（如卡尔曼滤波在物体运动预测中的应用）；针对“渲染帧率不稳定”问题，带领学生一起进行深度性能剖析，找出具体瓶颈并实施优化。各小组在workshop中修改完善自己的项目。

  模块3-2：高级特性集成与系统调优（12学时）

  课前任务：各小组规划在项目中集成1-2项本阶段学到的高级渲染或智能分析特性。

  课堂实施：

    第五十七至六十学时：创新功能集成开发。学生在教师指导下，将选定的高级特性集成到项目中。可能的集成方向包括：1）将第一阶段的分析结果（如深度、分割）用于驱动渲染特效（如根据语义分割对特定区域应用特殊后期处理）；2）集成实时光线追踪反射或环境光遮蔽；3）实现一个复杂的后处理链（如色调映射、自动曝光、Bloom、电影颗粒）；4）引入更高级的神经网络（如用于超分辨率或风格迁移）以提升最终画面质量或实现艺术化效果。

    第六十一至六十四学时：系统性性能调优与稳定性测试。要求学生对整个应用进行全面的性能分析和优化。目标是在目标硬件平台上达到稳定的、可接受的帧率（如60FPS）。进行压力测试（如复杂场景、快速相机运动），确保系统不会崩溃或出现严重的视觉瑕疵。撰写性能优化报告，记录瓶颈点、尝试的优化措施及效果。

  模块3-3：项目最终验收、展示与课程总结（12学时）

  课前任务：各小组完成最终项目，提交完整的源代码、项目报告、演示视频和技术文档。

  课堂实施：

    第六十五至六十八学时：项目最终答辩与成果展示。采用更正式的学术会议形式。每个小组有20分钟展示时间和10分钟问答时间。邀请相关领域教师、企业专家（线上或线下）参与评审。评审标准包括：技术深度与复杂度、系统完整性与稳定性、创新性与应用价值、视觉呈现效果、团队协作与文档质量。

    第六十九至七十二学时：课程总结、反思与前沿展望。教师对整个课程的知识体系进行梳理和总结，绘制技术图谱，强调智能分析与实时渲染融合的未来趋势。组织学生进行个人学习反思，分享最大的收获、挑战和遗憾。最后，介绍当前工业界和学术界的最新动向，如神经辐射场（NeRF）及其加速渲染、生成式AI在图形内容创作中的应用、云渲染与串流技术等，为学生指明后续自学和深造的方向。举办一个小型作品展，展示所有小组的优秀成果。

  七、教学评价与考核方式

  本课程采用过程性评价与终结性评价相结合、量化指标与质性评价并重的多元考核体系。

  1.平时表现（20%）：包括课前任务完成度、课堂互动参与度、在线讨论贡献、实验课签到与进度。

  2.个人作业与实验报告（30%）：针对第一阶段和第二阶段的关键技术点，布置4-5次个人编程作业和实验报告。重点考察对原理的理解、代码实现的正确性与效率、以及分析和解决问题的能力。报告需包含原理简述、实现细节、实验结果（截图、数据）与分析、遇到的问题及解决方案。

  3.综合性项目（50%）：这是核心考核部分。细分为：a)项目提案与中期评审（10%）：评估项目规划的合理性与创新性；b)最终代码与系统（25%）：评估功能的完整性、技术的正确性、代码的质量（架