Paper Deep Reading · ACM TOG / SIGGRAPH 2019

Deferred Neural Rendering

把粗糙网格当作可控的几何索引：先在表面学习高维 Neural Texture，再把它光栅化成屏幕空间特征，最后由卷积网络把局部几何误差与视角相关外观转换成照片级图像。

Justus Thies · Michael Zollhöfer · Matthias NießnerarXiv:1904.12356v1ACM TOG 38(4), Article 6612 页 · Appendix ADOI 10.1145/3306346.3323035
01 · Research thesis

把重建误差交给可学习的渲染器

经典渲染要求精确几何、材质与光照。手持视频经 SfM/MVS 得到的网格常有孔洞、过度平滑、位姿漂移与遮挡边界误差。论文保留这个不完美的 3D proxy，用它提供视角、遮挡、表面对应与编辑控制，再让学习到的纹理和屏幕空间网络重建丢失的外观。

16
每个 texel 的学习特征通道
4
默认 Neural Texture hierarchy 层数
≈4 ms
GTX 1080 Ti 上人脸重演网络推理

Research gap

IBR 需要保留大量训练图像并依赖准确深度；纯 2D image-to-image 网络缺少显式 3D 控制和长期一致的表面记忆；surface light field 又容易受几何错位影响。作者要验证：可学习的表面特征加局部卷积 renderer 是否能兼顾 3D 控制、照片真实感与实时推理。

核心假设

几何 proxy 无需承载完整细节，只要 UV 对应足够稳定，就能把同一表面位置的训练信号汇聚到统一 texture space。U-Net 的邻域感受野再对屏幕空间的小幅错位、缺口和过度平滑进行补偿。

论文 Figure 1 神经纹理应用概览
Figure 1 · 论文原图。同一对象专属的 Neural Texture 与 neural renderer 支持静态新视角、场景编辑和动态表面重演。
Paper verified论文验证了对象专属训练后的新视角、复制／移除编辑和人脸重演；合成数据与实拍序列均包含定性结果，部分新视角消融报告 MSE。
Author claim作者把 3D 嵌入与时间一致性联系起来。正文主要依靠视频观感与方法结构说明，没有公开 temporal metric 或逐帧误差曲线。
02 · Problem formulation

训练对象是场景参数与渲染器参数

固定输入

带 UV parameterization 的粗网格 \(G\)；训练图像与相机参数 \(\{(\mathbf I_k,\mathbf p_k)\}_{k=1}^{N}\)。\(\mathbf p_k\) 包含 intrinsic 与 extrinsic。训练前为每个视角预计算 texel-to-pixel 对应，即论文所称 UV map。

学习变量

\(\mathbf T\) 是对象专属的多通道 Neural Texture hierarchy；\(\mathcal R\) 是对象或人物专属的屏幕空间 U-Net。论文所有主要实拍实验按对象单独训练。

监督信号

每个样本由 UV map 与对应 RGB ground truth 组成。UV map 经过可微双线性采样得到屏幕空间特征；预测 RGB 与真实随机裁剪之间计算 \(\ell_1\) photometric loss。

推理条件

新相机先光栅化 proxy 并产生 UV lookup；场景编辑直接修改几何并保留顶点 UV；人脸重演使用 Face2Face 的 expression transfer 生成目标演员的新 UV map，并另给背景图。

\[ \mathbf T^{\ast},\mathcal R^{\ast}=\operatorname*{argmin}_{\mathbf T,\mathcal R}\sum_{k=1}^{N}\mathcal L\!\left(\mathbf I_k,\mathbf p_k\mid\mathbf T,\mathcal R\right). \]

这条式子把场景表征和成像函数放进同一优化。论文进一步将 \(\mathcal L\) 实例化为随机位置、随机尺度裁剪上的 \(\ell_1\) 重建误差；它没有使用 GAN、perceptual loss 或显式 temporal loss。

\[ \widehat{\mathbf I}_k=\mathcal R_{\theta}\!\left(S(\mathbf T,U(G,\mathbf p_k)),\gamma(\mathbf d_k)\right),\qquad \mathcal L_k=\left|\widehat{\mathbf I}_k-\mathbf I_k\right|_1. \]

这是本页依据算法过程写出的等价展开：\(U\) 表示 proxy 在相机 \(\mathbf p_k\) 下的 UV lookup，\(S\) 表示多层纹理的双线性采样与求和，\(\gamma(\mathbf d_k)\) 表示视线方向的 spherical harmonics 特征。第二条不是论文编号公式。

03 · End-to-end pipeline

Texture space 记忆，screen space 修复

01 · Capture视频帧同时用于重建 proxy 与 RGB 监督。
02 · UV mappingCOLMAP 网格经 Microsoft UVAtlas 参数化。
03 · Rasterize相机与网格产生每个像素的 UV 坐标。
04 · Sample从 4 级、16 通道 texture hierarchy 双线性取样。
05 · Decode5 层 U-Net 使用邻域与视角条件生成 RGB。
06 · Optimize\(\ell_1\) 梯度同时更新 texture texels 与网络权重。
论文 Figure 2 延迟神经渲染流程
Figure 2 · 论文原图。传统 rasterizer 把 UV parameterized mesh 上的 Neural Texture 投影为 view-dependent screen-space feature map；Deferred Neural Renderer 负责输出 RGB。

为什么称为 deferred

传统 deferred rendering 先把几何属性写入屏幕空间 G-buffer，再统一 shading。本文先生成学习到的 screen-space feature buffer，然后用 U-Net 延后解释这些特征。网络工作在图像空间，因此能利用邻域。

训练与推理一致性

训练阶段预计算 UV map，推理阶段由 rasterizer 实时生成 UV map。论文强调两者模拟同一 graphics pipeline 操作，使前向与反向训练所见的采样过程匹配测试时的 lookup。

04 · Neural texture representation

16 个通道没有预设物理语义

传统纹理的 RGB、normal、roughness 由人定义；Neural Texture 的通道由重建任务自动形成。论文允许给前 3 个通道增加中间重建约束，使其接近平均颜色，其他通道继续作为 renderer 可解释的 latent surface features。

Hierarchy

默认使用 \(K=4\) 个分辨率层。对相同归一化 UV 坐标，在每层执行双线性采样，然后将所有层的采样结果相加，形成 Laplacian-pyramid 风格特征。

频率分配

粗层不施加正则，越细层施加越强的 \(\ell_2\) regularization。软约束促使低频外观进入粗层、高频细节进入细层；网络同时学习如何组合这些层并抑制 aliasing。

Minification

高分辨率 texture 在远处被欠采样。单层提高分辨率虽增加容量，也会让近处 magnification 时采到训练中未充分更新的 texels，形成过拟合与采样伪影。

可微采样

对 texel 邻域使用双线性权重，梯度从像素损失回传到四个邻近 texels。proxy 的 topology 与 UV 在本文中固定，论文没有联合优化网格或 UV seam。

\[ \mathbf f(\mathbf u)=\sum_{\ell=1}^{K}\operatorname{Bilinear}\!\left(\mathbf T^{(\ell)},\mathbf u\right),\qquad \mathbf f(\mathbf u)\in\mathbb R^{16}. \]

这是对 Section 4.2–4.3 的显式化。论文用文字定义逐层采样与求和，没有给它单独的编号公式。

论文 Figure 8 不同纹理分辨率与前三通道
Figure 8 · 论文原图。单层 Neural Texture 在不同分辨率下的重渲染；下排显示被颜色约束的前三个采样通道。
05 · Screen-space renderer

U-Net 用局部上下文补偿几何误差

论文 Figure 18 U-Net 网络架构
Figure 18 · Appendix A 原图。16 通道屏幕空间特征进入 5 层 encoder-decoder；黄色连接表示 skip connections，橙色数字为输出通道数。
阶段输入 → 输出通道Kernel / strideNormalizationActivation
Encoder 116 → 64\(4\times4\) / 2InstanceNormLeakyReLU 0.2
Encoder 264 → 128\(4\times4\) / 2InstanceNormLeakyReLU 0.2
Encoder 3128 → 256\(4\times4\) / 2InstanceNormLeakyReLU 0.2
Encoder 4256 → 512\(4\times4\) / 2InstanceNormLeakyReLU 0.2
Encoder 5512 → 512\(4\times4\) / 2InstanceNormLeakyReLU 0.2
Decoder镜像 encoder，带 skip connections\(4\times4\) / 2论文未逐层另述最终 Tanh
附录边界：论文给出 encoder 的精确通道、kernel、stride、InstanceNorm、LeakyReLU slope 和最终 Tanh，并称 decoder 镜像 encoder。它没有完整列出每个 decoder concat 后的输入通道、padding、bias、初始化、batch size、crop 尺寸或训练时长。

视角相关通道

作者用前三阶 spherical harmonics basis，得到 9 个方向特征图；网络前先把采样特征与这些 basis 相乘，以表达 specular highlight 随视角变化。正文写“feature channels 4–13”，按通常包含端点的计数会得到 10 个通道，和 9 个 basis 不一致。论文没有进一步消除这个编号歧义。

\[ \gamma(\mathbf d)=\bigl[Y_0^0(\mathbf d),Y_1^{-1}(\mathbf d),Y_1^0(\mathbf d),Y_1^1(\mathbf d),Y_2^{-2}(\mathbf d),\ldots,Y_2^2(\mathbf d)\bigr]\in\mathbb R^9. \]
论文 Figure 13 spherical harmonics 消融
Figure 13 · 论文原图。静态 mean texture、移除 spherical harmonics 的网络与完整方法对比；完整方法在高光位置和清晰度上更接近 ground truth。
06 · Training & inference

监督来自同一段视频的 RGB 帧

实拍采集

DSLR 以 \(1920\times1080\)、30 Hz 采集。COLMAP 估计相机与 coarse geometry；每第 25 帧参与 dense reconstruction，其余帧注册到该重建。UV 使用 Microsoft UVAtlas。

合成数据

Artec3D objects：1000 个半球随机训练视角与 1000 帧平滑测试轨迹。完整训练集到最近训练视角的平均角差 \(2.13^\circ\)，范围 \(0.04^\circ\)–\(6.60^\circ\)。

真实序列

依任务使用 800–1700 帧。论文举例：800 帧序列平均最近角差 \(0.92^\circ\)，1700 帧序列为 \(0.85^\circ\)。这些角差忽略相机位置变化。

人脸序列

Macron 650 帧，Obama 2400 帧，Figure 17 序列 2400 帧。作者指出表情覆盖不足会降低可重演的表情丰富度。

项目论文设置复现含义
Texture\(512\times512\)，4 hierarchy levels，16 features / texel对象专属可训练参数
Renderer5-layer U-Net，约 16M 参数对象或人物专属网络
Loss随机位置与随机尺度 crop 上的 \(\ell_1\)裁剪与缩放同时承担 augmentation
OptimizerAdam，learning rate \(0.001\)texture 与 renderer 联合更新
Adam\(\beta_1=0.9,\ \beta_2=0.999,\ \epsilon=10^{-8}\)论文称 default parameters
Steps约 50k SGD steps未给 batch size 与 wall-clock
Testrasterize new UV → sample texture → U-Net RGB无需保存训练图像
\[ \mathcal L_{\mathrm{photo}}=\frac{1}{|\Omega_c|}\sum_{\mathbf x\in\Omega_c}\left|\widehat{\mathbf I}(\mathbf x)-\mathbf I(\mathbf x)\right|_1,\qquad \beta_1=0.9,\ \beta_2=0.999. \]
推理路径：新视角只需要网格、UV、已训练的 texture hierarchy 与 renderer。场景编辑先改变几何并保留对应 UV；人脸重演先用 Face2Face transfer 得到目标人物的变形网格和 UV map。论文没有采样温度、beam search 或迭代 test-time optimization。
07 · Baselines & results

论文的定量证据集中在新视角

Figure 6 · 同一实拍序列的 IBR 比较

方法测试时保存内容使用视角MSE ↓说明
Debevec et al. IBR训练图像 + proxy168637.58作者改为逐像素 nearest-view selection，速度远低于实时
InsideOut / Hedman et al.99 帧 RGB + 每帧 depth + proxy9928.05仅能使用参与 MVS 的每第 25 帧
Deferred Neural Rendering\(512\times512\times16\) texture + 16M renderer训练 168620.65测试阶段无需训练图像；每个序列需训练
论文 Figure 6 IBR 定性对比
Figure 6 · 论文原图。Debevec baseline、InsideOut 与本文结果。MSE 比较来自该序列，baseline 的可用视角与存储条件并不一致。

Pix2Pix

输入同样是 UV map，直接在屏幕空间预测 RGB。Figure 4 显示 Pix2Pix 更模糊；Figure 15 显示几何编辑后泛化较差。论文没有给这两组的数字或 temporal metric。

IGNOR

Figure 5 显示本文更好地重建高频 specular highlights，并称视频更稳定。本文只保存一个 Neural Texture，IGNOR 需要原始参考图像。此比较同样主要为定性。

Scene editing

Figure 14–16 展示移动、复制与移除。编辑后的 UV 进入同一个训练 renderer，没有用编辑样本重新训练。论文没有评估大位移、强遮挡变化或新接触阴影。

Facial reenactment

Figure 17 对比 Face2Face 与 DeepVideoPortraits，口腔更锐利、个体特征更丰富。只报告定性图与约 4 ms renderer 时间，没有身份、表情或 temporal 指标。

论文 Figure 4 Pix2Pix 比较
Figure 4 · 论文原图。UV-to-RGB Pix2Pix 与本文方法的新视角结果；作者用清晰度与接近 ground truth 的视觉比较支持 Neural Texture 的表面记忆价值。
论文 Figure 14 场景编辑流程
Figure 14 · 论文原图。训练使用原场景；编辑时修改网格并传播 UV，renderer 对新的 screen-space feature arrangement 生成结果。
论文 Figure 16 移除与克隆
Figure 16 · 论文原图。多对象场景中的移除与克隆。结果证明了控制接口可用，未形成定量编辑 benchmark。
论文 Figure 17 人脸重演比较
Figure 17 · 论文原图。DeepVideoPortraits、Face2Face 与本文方法；论文强调口腔细节、个体特征和拉伸伪影。
08 · Ablation

分辨率、数据、几何、邻域与视角

Texture resolution and hierarchy

设置Texture resolutionMSE ↓论文结论
Single texture\(256\times256\)0.418单层 sweet spot
Single texture\(4096\times4096\)8.46magnification 下未优化 texels 与过拟合
4-level hierarchy\(2048\times2048\)0.38高分辨率下仍继续改善
论文 Figure 7 纹理分辨率消融曲线
Figure 7 · 论文原图。合成 vase、1000 帧测试序列、像素值范围 \([0,255]\)。图中曲线给出更多分辨率点，正文明确报告上表三项。

Number of training images

训练图像数最近视角平均角差Min / maxMSE ↓
1000\(2.13^\circ\)\(0.04^\circ/6.60^\circ\)2.2
500\(3.30^\circ\)\(0.11^\circ/9.76^\circ\)2.2
250\(4.4^\circ\)\(0.11^\circ/12.67^\circ\)6.5
125\(6.27^\circ\)\(0.23^\circ/18.79^\circ\)16.9
论文 Figure 9 训练图像数量消融
Figure 9 · 论文原图。训练视角减少时，几何轮廓仍可重建，视角相关高光首先退化。

Proxy geometry

三角形数量8K4K2K1K500
MSE ↓11.06811.74212.51518.29718.395
论文 Figure 10 几何分辨率消融
Figure 10 · 论文原图。quadric edge collapse 从 8000 降至 500 triangles。误差在 2K 到 1K 之间明显上升，最低分辨率仍保留可辨识外观。

Renderer neighborhood and view direction

U-Net vs. per-pixel

把所有卷积换成 stride 1 的 \(1\times1\) convolution，保持相近结构。输出更模糊，支持“屏幕空间邻域能修正小几何误差”的机制解释。论文没有给这一消融的 MSE。

Spherical harmonics

250 图像测试序列中，完整方法 MSE 为 48.2，移除 SH layer 为 58.1；完整方法的高光更清晰。这项结果支持显式方向条件，对通道编号歧义没有给出解释。

论文 Figure 11 U-Net 与逐像素网络
Figure 11 · 论文原图。U-Net、per-pixel network 与 classical average texture。邻域模型更能隐藏重建误差。
Our interpretation消融链条支持三项机制：hierarchy 处理多尺度采样、卷积邻域处理几何错位、方向 basis 处理视角相关外观。训练图像数和 proxy 简化实验也揭示失败曲线。缺少多场景均值、误差条与统一定量表，因果强度仍有限。
09 · Editing & animation

控制来自几何，外观来自学习表征

论文 Figure 3 人脸重演流程
Figure 3 · 论文原图。source actor 的表情经 deformation transfer 施加到 target mesh，产生新的 UV map；target-specific texture 与 renderer 加上背景生成最终帧。

可组合性

表面上的特征随网格移动，复制对象也复制其 UV 与 texture lookup。这个接口比直接编辑无语义 latent vector 更可预测，且同一表面跨帧访问同一份纹理参数。

未建模因素

照明在捕获过程中假设静态；克隆和移动对象不会重新求解全局光照、投影阴影或反射。网络可能局部补全已见分布内的外观，无法保证物理一致的 relighting。

动态表面前提

人脸任务依赖 Face2Face 的可跟踪 template、表达参数和 UV parameterization。方法没有解决任意非刚体拓扑变化、头发或衣物的完整 4D correspondence。

伦理

作者明确讨论人脸重演可能被用于伪造影像，并引用当时的 deepfake detection 工作；也指出检测器依赖大型训练集，跨生成方法迁移有限。

10 · Paper vs. implementation

官方没有发布训练代码

证据范围：截至本页核查，Niessner Lab 官方项目页只链接 paper、BibTeX、Google Scholar 与 YouTube 视频；arXiv 记录没有作者代码链接。因此无法把任何 GitHub 仓库称为论文官方实现。

官方可核查源码

arXiv TeX source 完整包含主文、Appendix A 与 Figures 1–18 的原始 JPEG。它确认网络、训练超参数、图注数字和 Figure 编号，也是本页图片与表格的直接来源。

第三方 PyTorch 复现

SSRSGJYD/NeuralTexture 明确自称 unofficial。固定核查提交 d23f5e5；它实现 UV grid sampling、4 层 Laplacian sum、16-channel texture、5-level U-Net 和 SH basis。

项目论文第三方复现 d23f5e5影响
默认 texture\(512\times512\)\(1024\times1024\)容量与采样行为不同
训练长度约 50k steps50 epochs，默认 899 图、batch 12step 数取决于数据与 epoch
随机缩放随机 crop 的位置与尺度变化先 256 crop，再按 \(2^{-1},2^0,2^1\) resize属于一种具体解释，论文未给离散尺度
RGB constraint“可以”给前 3 通道 intermediate loss总 loss 恒为 texture RGB \(\ell_1\) + output \(\ell_1\)第三方默认固定采用该可选项
学习率texture 与 renderer 均写 \(10^{-3}\)U-Net 参数组使用 \(0.1\times\) texture LR不等于论文文字设置
Hierarchy 正则粗层无正则，细层正则递增默认 weight decay 为 0.01, 0.001, 0.0001, 0代码参数顺序对应高分辨率到低分辨率，符合“越细越强”
SH channels9 maps；文字称 channels 4–13x[:,3:12] 乘 9 basis第三方选择 1-based channels 4–12
Directionview direction；未给文件格式每帧读取 shape (3) 的 extrinsicsREADME 名称容易把相机参数与单位方向混淆
复现实验多组真实与合成序列不含论文数据、checkpoint 或数值复现报告只能审计结构，不能验证原表结果
代码级风险：第三方实现构造 nn.Parameter(torch.FloatTensor(...)) 后没有显式初始化；默认 argparse type=bool 也会让字符串参数难以按常见直觉关闭。它可以作为结构参考，不能作为论文 50k-step 实验的权威执行记录。
11 · Reproduction checklist

复现时需要补齐的变量

论文已公开

  • 数据分辨率、实拍重建抽帧频率
  • texture resolution、levels、channels
  • U-Net encoder 结构与最终 Tanh
  • \(\ell_1\) loss、Adam 参数、50k steps
  • 合成视角数量与主要序列帧数
  • 主要 MSE 与部分运行时间

论文未公开

  • batch size、精确 crop size 与尺度分布
  • 参数初始化、padding、decoder 全部细节
  • hierarchy 每层 \(\ell_2\) 系数
  • 前 3 通道 loss 权重与是否用于每项实验
  • 训练硬件、训练时长、随机种子
  • 全部数据、camera/UV 格式和 checkpoint

严格复现协议

应先固定一条合成序列，公开 mesh、UV、相机、1000/1000 train-test split 与颜色范围；实现 rasterizer 和训练 lookup 的一致性单元检查；逐项复现单层分辨率、4 层 hierarchy、1×1 renderer、移除 SH 与 triangle decimation；每项用多个种子报告 MSE、PSNR、LPIPS、temporal warping error、显存与训练时间。实拍任务需要另外记录 COLMAP revision、UVAtlas 参数、帧注册失败率和 mask 处理。

12 · Reviewer commentary

贡献清楚，证据仍偏展示型

Strengths

  • 把 texture-space persistence 与 screen-space correction 分工得很清楚。
  • 使用现有 graphics pipeline，显式支持相机控制与网格编辑。
  • 关键机制都有对应消融：层级、邻域、视角、数据量、几何量。
  • Appendix 给出足够精确的 encoder 结构，实时推理数据有硬件说明。
  • 提前识别人脸合成的滥用风险。

Weaknesses

  • 实拍对象少于 10 个，每个对象独立训练，泛化证据有限。
  • 很多 baseline、编辑和重演比较只提供定性图片。
  • MSE 跨不同序列与颜色分布，无法直接横向比较。
  • 无误差条、随机种子、多次运行或 temporal metric。
  • 静态光照限制了材质、照明与几何的可解释分离。
  • 官方未公开实现与数据，关键训练细节缺失。

Potential improvements

训练跨对象的 generalized renderer，并以少量图像估计新的 texture；把 illumination、BRDF 与 residual appearance 拆成可控表示；联合修正 camera pose、proxy geometry 与 UV；使用 differentiable rasterization 或 path tracing 提供更精确梯度；在 test time 通过 visibility-aware optimization 修复新暴露表面；把不确定性显式预测到遮挡边界与 extrapolation 区域；用 perceptual、temporal 与 geometry-aware 指标补全 MSE。

Research extension对于 procedural material，可把 Neural Texture 换成可执行 material graph 的中间特征缓存：renderer 产生多视角 G-buffer，图网络或屏幕空间 decoder 预测残差，同时用图节点参数保持可编辑性。训练目标应联合多视角外观、跨光照一致性、tileability 与 graph complexity。该方向属于研究设想，原论文没有程序图、材质分解或 relighting 实验。
Research extension执行反馈可以用于 test-time graph repair：当 proxy 或程序图在某视角产生高 residual 时，搜索局部节点、UV scale 或参数修改，并用多视角 renderer feedback 约束所有已见视角。需要单独验证搜索成本、编辑稳定性和未见光照泛化。
13 · Evidence boundaries

事实、主张、解释与延伸

Paper verified16-channel texture、4-level hierarchy、5-layer U-Net、\(\ell_1\) crop loss、Adam \(10^{-3}\)、约 50k steps，以及正文和图注列出的 MSE 与运行时间。
Author claim3D embedding 使视频天然具有时间一致性；hierarchy 可让 network 学会抗 aliasing；合成数据的 preliminary result 表明 renderer 可能跨对象泛化。这些主张没有在本文形成完整的 temporal benchmark 或真实跨对象定量实验。
Our interpretation方法把粗网格限制为稳定的 correspondence 与 visibility carrier，再用共享 texels 聚合多视角证据，用 image-space receptive field 吸收局部投影误差。
Research extension跨对象 renderer、光照／反射率分离、程序材质图、test-time repair 和 learned uncertainty 均为后续设计；不得当作本文已经验证的能力。
14 · References

一手资料与实现审计

  1. arXiv record · 1904.12356v1：作者、版本、日期、摘要、12 页 PDF 与 TeX source。
  2. Official preprint PDF：主文、Appendix A、Figures 1–18、公式与实验数字。
  3. Niessner Lab official project page：论文身份、ACM TOG 2019、teaser、视频与官方 extras。
  4. ACM DOI · 10.1145/3306346.3323035：ACM TOG 38(4), Article 66 的正式记录。
  5. TUM research portal：卷期、Article 66、DOI 与 2019 年正式出版信息。
  6. Official supplemental video：新视角、编辑与人脸重演的时间序列结果。
  7. Unofficial PyTorch reproduction · d23f5e5：结构与代码差异审计；仓库明确自称 unofficial。

本页以 arXiv v1 的 12 页合订文档为主。Appendix A 位于同一 PDF 第 11 页；没有单独的 supplementary PDF。官方视频用于时间序列观感，页面中的数值只采用论文正文和图注明确报告的结果。