vault backup: 2025-12-04 20:06:34

This commit is contained in:
Simon Lübeß
2025-12-04 20:06:34 +01:00
parent d246bb73e6
commit 5c7e6ab2c6
22 changed files with 993 additions and 16 deletions

View File

@ -0,0 +1,265 @@
---
excalidraw-plugin: parsed
tags: [excalidraw]
---
==⚠ Switch to EXCALIDRAW VIEW in the MORE OPTIONS menu of this document. ⚠== You can decompress Drawing data with the command palette: 'Decompress current Excalidraw file'. For more info check in plugin settings under 'Saving'
# Excalidraw Data
## Text Elements
## Embedded Files
89b62fefd82d2e68ab50c26d7cbbc55215b68c70: [[Bekerman et al. - 2014 - Variations in Eyeball Diameters of the Healthy Adults.pdf#page=1]]
18ab74b156955ecf705b551f4992300b8f01017e: [[Bekerman et al. - 2014 - Variations in Eyeball Diameters of the Healthy Adults.pdf#page=2]]
cd001fa675a92254fff99e27c468bf3f57742526: [[Bekerman et al. - 2014 - Variations in Eyeball Diameters of the Healthy Adults.pdf#page=3]]
fd5943356d7e5513af53ec7505ce026beedec3bb: [[Bekerman et al. - 2014 - Variations in Eyeball Diameters of the Healthy Adults.pdf#page=4]]
ac01db8f592667d5e8e1d03c6f1515f4bc5b708d: [[Bekerman et al. - 2014 - Variations in Eyeball Diameters of the Healthy Adults.pdf#page=5]]
%%
## Drawing
```compressed-json
N4KAkARALgngDgUwgLgAQQQDwMYEMA2AlgCYBOuA7hADTgQBuCpAzoQPYB2KqATLZMzYBXUtiRoIACyhQ4zZAHoFAc0JRJQgEYA6bGwC2CgF7N6hbEcK4OCtptbErHALRY8RMpWdx8Q1TdIEfARcZgRmBShcZQUebQBGADYEmjoghH0EDihmbgBtcDBQMBKIEm4IAEkABgArYkwAVgAtAHlUkshYRArA7CiOZWCO0sxuZwBOeIAWflKYcZ4AZiS5
yAoSdW4Adh5qtakEQmVpbgnG/cLIayHxVEvOiGYoUjYAawQAYTZ8NlIKgDE1WBIJGkE0uGwb2UryEHGI31+/wkL2szDguEC2TBEAAZoR8PgAMqwYYSSSQjSBHHPV4fADqm0k3HiB1p7wQJJgZPQgg8ONhJw44VyaFZVwgbAx2DUCzFwIOsPhwuYotQHCEhLZCAQxG4iXiPAAHLMJYwWOwuGg+GamKxOAA5Thibh7eKNbZLHg8eJLA5CODEXBQXUs
7aJaaNJbbaox7aNcWPQjMAAi6RDerQuIIYQOMOEcEqxDVBU6kFxFCJ9G+KdqECuAF0DpphPCAKLBTLZEtNiVEDhvbgarV9thQ0NoF5CBAHXHkTJFoea/AHQjwrAVXDVeslAC+c2KpXKEhgkkDb2YAFVlDjuncyvpokgDmM0JMZgc5ahnMtVhKNsQWxoLsDylJIRwnFAZwXAcNw8qBAgvByiJ/ICIKgs2kLQkqCI/KhKLkBw6KYlkUGzgSxKkveFL
YFSz4SuyDJMiybJIR8XI8k8PzlIqwhCiKLESlKkKyiyCoSjhKpqsOK4MTqmaoNsMY+gc5r2lavCqXalpOhwLryp61TTBGUz+oGwYTqg8ThpG0axrGCarqm6aWdm+C5hK+YBkWJZXOWlbVmwtY7iUvaPC2cLEB2GSkT2Bz9oOaAyfFY4fApU4zhKc64AuCnJVlBIIIuEhGhMmiJDwuIILixBGjwxA8AgiRGrgmgXNgPCJMQ2zYJomjYI0jQ+o05VG
tgMY0u4dylp0iazY2BzYK8cBLiOSbrq+6C4PENJRFAQhqhAiDwmuN6LQdUAGCmwa4Nwh6lIGuIAApPgAaoQCAUE9y1qvdpTBLiUFoAhpQtjIBjcCDkCkMcpxoIkwLaNUjRrKUl0rcBEw2mW0NsHtdzVH5u5XMTe4HhKx7oM0zRGAAUkYiRLJUt7wPefQDLcOKbe+pqPF+zi+sZBwAUBil7Ac4Gw0DqDnAhEBwQTrF0l8eHIugQLodumFQl58IoWr
0CEcRWJkQVhIcdRlIiPRjyMQgjKAcyYpKxyFsVHyPESXxkhSYJjzCTKsBiXLkkCUly7apZiRDUsKO2hanCulpCccLp+lWUaiQTNUCMTNMExmUGGZhhGUZxg5c2QMmabBMXWY5pljxeYWxb5H5EAOgAMm88QcHAbxEiFYBhaDrZRZ2sX5CPkAJatsmPL847paQ06zvORV5RHFMbZuPAhfuhT3WUCkQE91SXgAQgAggAKrgAAaLM9BIhCPsoNujOMU
y8/M4yC4kwtmLAXFhKSWkFoJywVpDF2Hx9ZoU1jiCEOscJwIImiDEJscT4nNlRCoNE6K7WVg7UWlcnhsU5LgiQHs9S8T8D7MOVkDgB1EvKEOY9fbhzWqUMIllthGmqDwAu8d1JJ2ETpZ0dxfSNH4fnaY1Q/QSgDEXSy1lS52TjI5Cmzla6uQbnmWELdfJlg7t3Xu/dB4LQlBFdsE9uxT3imuRK6ot4L1SpZDKa8cobznuRYIxV0DxBapobY0xNDu
izoNBA2BcQxhGoNeIuJ85YyWMCTQRpcTVHiJk7YH8BBTTbmWSuYB4iWMeEtKUPjt7EA3BIXASxdrBgOhUY6jhBg4mwBdK6N07rt0ei9d+71PrfSlL9PyM9qrSyhhAMGl19DQLGRAGG4D4aI2RqjLoFTMbY2Ma8fGkMiYk0KAfEoR9KYQAmCmAA0vge+ABFC+tMn5syiRzYYL4v4fglPzaMcdHgiydmLOWYC4YyxghKKBwMYEqyRPA9CiCsK61wjC
tBREMGkSwRRN25IrbUihcQgFpC7ZYt5NxGhXs6EcMYUJaULCrLiUeKHVUlTbbyW4Ckg0cs1KWlEY8LljoJFsqSKVJYSxo6FwsgpVRtly7xlIdXFyCk3IeSbgYnyBSF4ACVXpvAAGIwAAI6JCHtPaZY9opdhyPYvsjjmX/TccvVeWV17+Pyutapm15bTH3uTJMJ94g30SJ8S8ABxeg9SDh3gqK/J8XMPk/0gN8+MgDHY7BAY8YF0tZawUGPBKFqD1
aay1lYhFKDVYVFRKiki2JfGUW5JbWi1tCEcnxX7bh5DiVcX5LQ/iTLnbUpEkHVhtDlQMNddw1lwF+ECOTiI60M7xF6TuMsWOExdjxFIUoiVJdpX2VlU5GuCA66oCVY3Uozc1VoBmv9LVuqDVGtKaPSK5rJ6XpNbPTh887VL24B4p1XiXUuNKNg7xEhsDEGBAk3AiR4y4CxjwRo0xcRIYmBMBAPAerGSNJoXESxcQehCfBzqk0CDTT8kUkpnQTXlI
xs4rhVcd61MaA0/ah0WmnXaZ0/Q10og9OMX0t6H0vo/V48YgGkz1mmvBnMyFCylkgoRtUJGvzjHox2FjCTuyLL7LLKTPcRyfVHhPjfHgzB4hvFaLgXETzegvKge8t839PzcEaOcZNosQISwgiCrN4Kc2KwYuQ/NEANZwu1thMeQWK3G3RTWjt+DG14qAVS227bKEkq7eSntapSHMMHXSthkVKVjoEBOxSkZqhCN5dpROc6xH8sXSyZqgS3RGg3eZ
I9Uqy67s0UmbRh7dHuVPZAc9rdL3t1uW0XAbZM76uNc2M1tjLWvocQOW1M97U/pXkNvEzrN50bKAxra96yaHwpifB02B9Uao4KK3J0BWZRrfnd7mjmvnOdc/+JLHnQFeczWCx4EL7h5rLRIELGFi3IIiyD9AUW0XVrNrWzi8XcUBaIUlwlqW63u1JQKb2lKcs0ry1kgrI7e20c/SVyy0x4hwfnTVzSdXU4CrFK18M664zio6zZLrGi5V9aPSe/RB
YL2oCvZACbFnpuJFmw+8EC2Yp2OW9a1bH6UrfsnFtzxuU1t4kKv4vExAXPTBFY0LqOT4lLEs1GKJ8ZkZiAEYkTQ8kolLD6sRnkYvyOy4gNRnXa53Wbm2MxppEg2NtPOs8LpPG0B/SOsQZ6AmhnCZjwssT8ycaSdmennZUt9SrOU48VTWyNN4y08DA5nRdPHKKGdioRgoT4E0Jcig+BrMSHZnZiUL3Pl8xZKbgBn2U3AKBb9iB2bOYyZS8rILYPgT
wsh5FSLRs4em0eNgxH9aCGJaH8lttysO3UNxxShhBOB1fmJ8O4gRXAOU4UiE6Ygi6caW2ZAPlTOGtoCWA/vhLmKuc5UdzuohXPugqtwILp5KqqNqLu3K0PfK9G2EIESG2J3HNlYvLhanFMrk4sVhAIvGlJto6mvrtn7odvLEaN6qdr6hUDfJ8BMPQPqkSNgAsBGg9i/E9rGg5j3r/GKP3m5gCt9umqPmgD5gDn5tnohNPtDsFoWvPuFovlIbDlWq
vkBpimllIDindnbC2n2lPq7GoYft2vQmTqfoHOfvSqUIytJDfk8KVqKoNAXgwNVs/k/mnEuh6Fkghihv/pKoATKj1kePzgNsqmepAUYo8LAfAYgcgageFOgS+qLm+jaqrqOOrqgL+kQf+nthTrrn4ifJCJksQGknhljIkNBobggEaAgPEOBksNgIkLiO6O6Ikv1CNDGEaGSrbPkmNoUqjBRqFItMtCQQHrUhMMHqxlkK0mdBKB0pHlxt0innxvHv
0ggIMkJiMiJgvBMuIaPFJtsdDLnisopmsgskXopOprJqXiGNppXocidicrXhIG2CZvEKQG2CmNgJgJCEsLclACmI0J3EYJ3Pqu0Cwc/OgB3mIfZt+JnNMNoMaF/ihtsFMJnNGE5m+IInEJktHPGOcBcIIqQv8vqDTtoCUecMKl6A7p5gcbwOcCSXsFMAmLHMbsCA4YDnLHbDPvEFUdybIYikvugkoRijgljlQjjtvqLIpg4USvoWKZlkYWqHLLll
+P9iEcLlAXkCatlNrskW6jUltDqkfqTlYftjwpKihjnFktZKQm/myvIi4czlZFnJ1HwpnJVgEQegLnomgU+otsadkZulzmop6LsKVC/rgUkeTmrvgfXINvppQYZhUAAJq1A6psAIBvC4iDygn3gZBO7EBBiaBvJd5/xJAknG67CdTLDGTejxoQDfIP7aDhiZLWTIzNQVQElJYXAj7Uldnj65qo7IRSEAhckjl3ZIJyF6wKHL6CmxZqHI6aHkLaG7
4SF6EinpaewMp44n5MKE5mEk5X6jrWGmn6hLCIlP7cDG5Gj2kf6oBGh1QEZJAOEBkAFBmirTDU5hnyo6IOrbYjaYGxE+kK5LYJErZOIQB5B5AXzplMCPgcCoCHqoAEDaDfi8CZLTAoWvSYhWBQCWjMCoBrioBtgwAIAQiEioAphWCZAhgsCoBsC4hpHgSoAAASIQ+A6gMAqAV8xAmoOQ2gj0DYDYOIeBQR22WpIGkZDEXR0BPRZG3uMxsy3Gt0Cx
jw+gxAwycgGxpQB0CArQ9gJATgaY2YPFao4BGe45iKAAssGLRJ8NYPQKEGAV6WZSWmPFZVALRM+tiBroQcYuZaWsiurEhlZhJn5WPK0LuXniFX8NUqQG5R5YtgQUNqPKQDFTPkFWCMlTFeFWfnsTkVkF4u9KwIWXcCehXncUeKQbgMGhQfcVQRIDqpgEYPqmmBwJeG3ugNGu/Bwd+AhiSbHFkvwqKnVNZGid+NMEaEsAkEaINBWehoaF6HwWykiV
ScsqgL2b5hPkDgObAkOTIWFnyVOQKZgrOWueoQ2ijroUxDvhjvvjKRlpucfsYTuTlUOuSkaTrsedaPNbWTacBD9U4a4ReeGBcCkl4You1i+dKm+R+SAd+YlULt5OqSatYuPEBf+f9BGTgcJYqk5UBsQTqSobkRUDwHgHwsThME6Y0HhuhhMKKksLVJZggEsFhl1JVOkvItHNgO7qRjJYUnJYMQTfRsMVtExTVTXnVegBQFZTACmAAPr6DBo6rKDY
DMDND3w4UJiNBMUgkSiRoSBzjyTkBUBQnOCtZxDZwTVyLfyBLjWjXOBf6TWnnWRf4TXobVBXmD6ixehxCMwuarqyp1SCLbArXyY+hwkU1GhInxIJge2iGbXsmBZDmjlcm8n+X4Qw7TnHUI4H6ymXX2xJZhnSmnUGFyn47PWmHBwI2GJWoZHakSW6keq4DMyX7X4mmlb8K+irrRjWlOEXkfZVYpyA1iieiGg+ghJulVyBE/nzaAUYE67Pk+GvkRgw
1YE67Y2OWDYHBwBsBrjAVi5i5gBQyExljTxgAH2KbNR4kpLeirrGQirrLH2UaowH2YmDTAi+0Jixid0P1+Sn0v2NlyICK018Lu2BLTUD44yP39F+QH2wnroQZzUCIzDoax1lhQPDzP1jLJCPmZLZzRxegzAjVjJxCegoalGlEP4RilRGi/2YM4zYPRy4M5xRg+jU7B1jJwPE6GjbBZKsMm60MwNYPaDTXAgP7u11QU1JCxzrKcMIM8NIPG6xwCNl
gH3JAiNGR7B3mCIGi+0yONl5xd24PRh7DRjKOdAH1GgknIxGQmjG5yIirTpjJZJwm24rBKSDSxz8I0Mn10OFKKboYg3WTxhRim791+Mkl+1Yzu3GS00JhmMlAH3OMU0snTBInTVZLvlFLFKNBIwxiiNIn5yxgmiNDxNn1ONxAOPyKtbsoP55zsM4zWQJDwbNnugQb5zoalOJOTWZIXAGjuiiqqJ5zrJ7DaBv05yxyf08Om6dNOOwnM0XDvnjUehJ
K7DDOTWCLAjX39NvnSIzMNPJDvksnRPu0ejegF4lDobaCAMaNYz2Gxiip7OFLbBNMXCegokTU071NlgpLCPNPnBeilH3PNSPOzSWP5wXDuHnAU3G4RjrJf59Wf2DXNQ+gRiJAgsXOSldkf1ZJTN2ljKnlIyRiGixipPyIuY8DTDotgBh3LAXCZzLNGQVTnNgDU6NkiOR3U6+jAh1RUvejaAIy9PmkGh8KwscM5M+iZKnlm2xyeiUs+OCM4zLDh3A
hYyqvbMT0lCpNwnRwzA6MhKlwTC8s5Nf4XAobGiUPIzobrIJjaA/Luh3lKTQYOu8vJC4t1Q6OnkpL31jKDRXPpNTOR3Crui8vPOAMeGMy03QbkPWvPMIbZIFMpLAiCK8sTBXPxLroobvkhL8LMsIxwkd3vkIy7A6uZxUs/N1SmssOAsj3rIVS2v9WmsVTGNeglPysqP4vxCjOWmBIInSJ7DSK1tzPZzugj0hIFNottvmP4txB3mZJYms4zCRi1s5
NNkmN00P6lQTtP0KvfOTWm4JgUsxiYYW21vPOtZDQVY8PTUDNluwmxMDUc3DUua1uWNdktkCLhi03TVls5MVSSseGroU0ioQNlhZzCPKRJBAvG7LBlvJDmnrrG5TBYyR0KI4wxijPxLhjM3GiZJluptGQHsksxieNfOdC7D8uWn3nRgW2+h4eNkpIzDRh5NZIGjrKegkn8LeiBvzOypUustcOIN8OGhsewmlEx3Zy009MdOTsJMcOTXuiMkmu7AX
AzDMshL8slsScMdDTbB8fiuWlSvzXLNsfJBku0u+ibvGStvbvts4yRjCPnBJDwlRgEPvkmeNlujnDvlm0Ut9HQO2dlhauyxJBIdGRO2kclB8JIzZy+eyJf1Il8epsUnuiEbwY8PQZqeWMVYCLU5xc8MJcydlM4w2t2vSKR3hgulcFkeWPuMtbyI32DRUtDRIwIyBI07v1RhLtjJRe1eZKDUNfWf+dTvFecMx0VsehFtsc1fxh1fe24lNc5NLNWnS
J8KScatgD8IJCRiHsmhTBIlGRNfYMxg07GQDVOvxolCbeqc7f5zWTZxys2fDdlguajOOcmiCKtYkuoOdBXfbepO7d3cHeFeqOduMPtf4OsP+E/eKYTUCKgPSLAdZxUuMyNnIyfPcsEPhjrKbew+aP2uI+GvA9YMrsIxruMwbvrc4/X3w8TWipI9E/0MHPbedTM0Rhkuodlh1RwlJsIZ7AbsGjeOPeyf0OvtJteghKNGxiU9xB7ACK88aOZyBLI+p
uR1INFtvkrDfeXcy889iP89K8M9ljof2HLASelF3cv7a/c9y96/GgC9Us8N0lDQ1nGiuOW8bczvTWQ+CyXlLAO8+28ORhEvKc5zY+e9DSqc+/M1++G9keTUTCceu8TXTXxgRce/CNe+R9f6+8O+ifRzwaBI5yu3u8mhwmDSdTIwuaetegO+mexzmfM3Qsgc/ewnwZDQCtV+001+x+Reut7DwatYGi0200Xcbd3tyLeju2X2Iu18edy+D806euj+Z
y2u8OlHfxdnGQO9Zcxe5d5xf3TXY9wfnDegVl2GB3b+NkzelwtnGTN+XeWN2HoYAvJPhhUu/dDT/e3culp/ZxXP99IkKoqTGYCEnf4w9r6bRNdFGAqjrIpgCQS1qeS76R14MYA4RhAPdpQDRU7vWmgkFJ7Vk7ygHCMO/3D7oYKyxbDAbAOeZu0B+KGJDk7WIEZ8dOZAivpHVgGWM2eKSBZgmDsbv9W+5fDvsPwBawCkuhGfBghgY7IxeBZfdvpX0
EGdR1klpW1px3y4VY5EE1KQfv2c51RRUy1JxkZGEbIwvQnLRluNR4AaCJ+E1PtjoPW44tRm23bOEpFSZB0zBPfDbskBWAO4s4qnURgoKSbEdjc1kD0JnApbv93Ba/LweViMi+DJq8jUGiaBZIIdQhq/TwRvx8FONGmUiLAb5xxZKQkhHgzqBEM36+CVe8YL0KVEMHFtdOrglfvkPX7eCoh5TR2ps2qY5xamNOd/r+3gzsoBWX+TqKP0NCmd7GqTV
dDnH36E8heRXTnp0KjA5wehlDfoYIiubRxAG3dW3LsHf57tiOPPARLHBgFOMRUozeMNThSStYKag3DBjux+468befPO3r6AUGipV+ZcW+hVEETjChuwvTnopmu5f89uDrB4amxCRhdWGIZIga4Ki7ZdYu+/K9sy2QZ+t5ECfVrAp1o7gj4+ifbjinw9AKDjIr3IyOugj7A0t2HwyYWR07YUsHcPoGnOS1NwKCLgSMd0HfTgyB1vQyvKakNBmrL1p
qUYWkZiSPbKQlIqrB5q4OjiNlSe8iddsaBsG9VDQCGcMIzC9bRxkeoPFTngxYaR9aR2DGRBIzvKMcwREwg+tIhJK8NTeBA/OLsH6GGjaW41Efi2yKYLc/WCYANqt1BoKC82GzcFlnEsFIkXB+on1iQ225GRkkFUU4f0LrYms8ShgqztZD47sD+qcGQWJ3T/D7NumKSaslgNeGC9iRsDeThbiU7NNVOronJic0wz5ddgKGc4X/Q4aKZqcCYUot6IT
7QDXRBzewiAMZjQY84FY3xp0EeGcCGR7tUgQNVdHPMZgRkNYfCXWGuDy2fzKturyyYhcEgXnVrN/jzg8DXBnUJGAx29ApJdg9fEJAoON7RwdOqTRvsY15Y+1rGWcPBtZBhL7iyRCzcrrD24GZiLhAXWaCrx1b1dqcUwaMG5ycbkc/2LnCRiCFLauDfQqPblmw2jjJIrWf40TsEzkQ20BqVLMCXk2iaqJyW4vfccawFaiNaanUCbshNB7lYlIw1Jb
neX3GutOBVnU8sNBmDIT/GrjIJh41CawilIVzBTkX3GrGN3hL4p7p0FTa/4v6d/aMDIhsE9cuRQ0UqNBxCGuCBJ2cISaUREmBj9xqbUloyRMbjVRG7/OErL3gy29M4afQvsIzkSDQsYsiQRFGG0mT8bhCvaDAoK56lRBo0cBGLZDrFWTdJ8vfnoZImqjMc28Gb8VnHfIx9fROMSxtZL0m3CDJ9k39hM29rNQO6HobSdnHvFBT7G19eyc8yziGDgh
p5DAfRJcaBN3GITCJAoLgH4iXMgfM4TB1AkVNE2zNLlhGEESpNSp8nWJF3SnQ7iqhIUwpHMxEaLMU+Kzd3lSKNGtk5EQU4xkSN4mfDZoTPI5vEJT5nNhmqyfthVwQzxJSiyE1NoX3dpINhUpUVdEtMmrvlTc+JJyaAy6lZjiG54wVleJFaj89gmo0ydIhpwodYwLrRsq03dZSNJO3rRVu7ThJyJSe1kfOJx15bTduWpUXFu/WGbOMLJCMa9ty09C
djLhJQAloZEY5KQIMFpGGQcwRgVQcScbO8s+MrF2dJq8Q8JJpJrKlQYZZ7dlJ6AjBSJ3WiXW1m6HZFnN0uSaYhoEi7am4RUssWsQIntFLcnRwqP/FzJV7gMkSZDKzg90un0N/GnHe5hK2GpJiywk/Q4a0PkStlfwk0kmUbwD45c1p1kZpvf2pYjMPQmszgU2ySCz8QIA/JIIvxH7DNzZMYDgdrJWC6yuxl3b4X9z4Tf9/hV0yUq7PsbuybZ1Q4/p
JJQw/jZUzLdWRbLdknSPZVLPOKM2vrJIESko02T6Almm4pZTfBDPRM7bM1xR75ZYGcwpYwzU2svZyV3UKaKjQJFWflpsxcwmg7C1HGmVt33YWlk+SjGqZ2x+mAcCMFNPcVzJTG8z9ug/MychMWEyzNm+XXplnKSb8JGYCndlD6GQk9iGRD+YyKI2RZLTY2Tk6nPS0DqRhkJxuYRgs284eguynMv6TkyxYTMcW/TZCXSLybjVApHoCmut376iic4F
pAFiKmNwvy1Gh4v+eunXS09SpSXXYUkGOmeseJesmabCUAZ0s1BpzeDKVOSAuZBoqvaDCsB9Fyynmd4yvoGLbImhSpcQJZssxlaXtPQyE+MLawFaMw9gbRGCQ01KgtdkYJodftNVazISHJuJZyQRzp72SZ2gi03MIrcmgTS+/MnhlCwjA/JRFcJDwg/memm4acBCqaSSJKA05O25UqYDlzOFEMGm4YQluX36pADJBoEnAVyL/YhzSWpsq0gi0RZ/
zKywUwhZ0Fl5IwHpp5TDENWfZOMUeUzJZvMxczxhPZKM6lpkltZ4MuORzCrFr2KQGgNOo47OKmPu6aLEFGLXkabkjDaDUmpzWkamwFZOCMu0fY0LywES5NclVggpasycaWimSwqaDq82JleyolR0yMBVAZISKzatIxbl5z9o6t6e3UzxfoIakEjeFdvHkbk1HEft6xQo0ZRizgbspJlfbTONiOgVGQ1BKGE0GO0qUrLmGY9KZRstmZUCjhJrLNkM
IOUJBVlxy9ZY4vs6T8N2gSIDt3yWVRLDl+fa8Q8uxHydlhPoS2jIIiWvjlltyo5T8rqinKGm/HDJgyIKavLMl7Sn+U2VKJ3ljI5WZqfsMynTVVF3oi3hdK0Uv1oluUjMfEoT4PDx+UYaFiONvqbToF6i5etSuZr9CDh1844aAzOGbSqBy88mgIiin7DO2F7QGcWxT4gSPlw0s5gjGjD9Uo6jimecsLnmBDYwSKyJRoodGMxy438UogoMubU4ERCE
ihl/kJVZLikHCv+dIjv4NjBquqvvl1ijlor1B0i1vs5PXSMN35uqpoVUwaltCEF7S5rMootUWSRJh/Roba2aE+r8SfqtVTjxMnktzJecRJaPQo4hMoVlyxrqBKi7E5qR6TUuEmr5YGhU18JIPhmolX/j+2IqICdy11VkjpU4LX0JP2RmgrikB48vmOxPF2TymkpaVQmGQ7Gr3FRKwJc2PiSpM2xBTXVd2rJYaLLadC0CUEoU6aTM2BY9IVtLSWX0
KarDKYMhLdH3dzgnomVgdJXULjH2LmdsrdxflhSmlNo5pvUoabEl2u/ijdTMC3WgTfW4LZ3k6wbFDN0hovTrjNSMFYkX5nStHswuZoulfBv68MZ6HJFhyJVzXeyKS1IGCiINozSMf+pg0gq+JOiukT00ZFcdvQqs2aNzIhZQaANsGjxTovzj1trGAzOnr+LvXDjY4WQ4wUpBNX+qguLk6+dBlxYc8iNjG6ATWXgasaz55yzwspy5G7BDJGQpja8J
Y25DQJWrAJmaIH4zU2FhSRpnVHq5t8HcHjETQVOU3SJVNUmkoSw3KFlxnSem5JpGHCVKRWmvGnRTSzrWOdvaViiVRxoI42aeNnq8Nd6pqZRqz57AoPjmzwaQzDJ64oyPImGGuyxhL8o4gyIjb4aUWuqnfiExaUd0WRr6xTG/NdLWav5Dw74SDTxn8ILaiyijdkzgZ6S5RDjaGg8Jil4i846iH0AOtNXhIpqNjD7kuM8YPDH+xHRXpKzsjNb/VjSh
DM0ttG3qepnbKOpeSvqxMm1WGpJf413WhMvRh6mFWTMvlLNbcb0udcgrmloKKysI9zdZtzlutt1r7DwpSMCQituRDSkhoNGZIrcMBhoehU0PsKX1Pm9hDUW1tMGIjdRsswdSYsonIxqJWMFLrSMvUjbr1rS/hTDzjVmS84TUpNTusDHLaD1qq5tTbQibIw5Fp68srCLzaro1pCmGOdBn4WAiulsYJ0q7T4SuiKmkYCMZ1x1Zsa1VNipyXzy1kOLX
RKYxlssAqgZj6V9bRlXAq/ahjudaYvnVxxuUTL7lUKxxRGCuZ7aTmO4ypcUpY6mD6S2jfHbtusbzTTmg2yJWPTQE5x6Zxwvtq6O12oKld1Uj5VuJJJ7qsYrs9sXsP2YW7jmC0/Xc2rLnKL3CZteRhNS50fSRtUYLkYTsw3TSLm8LXEmOwhbtdjFhSMMfTrh6M7HRvLBsoU3Hoxdl6c45JYC2GEc6MlqenlUEN5kI98FroxbSjv3Wfz0d82zqKDza
Kbj8ec44bdaIdo3q2lBukURVmekJ9xGp/C0QfMZbMKP2Bof7aas6gq8La9hMRuzkcWm5vt2ozrXqLK0BNbWbRTWq3MM2wi31gyshrWOjWe7Wsqcx7SZHbEU1aRFW2UYpIVFzbw91LO8koIqnP8kSbOGZQhv5ELKw92i6ljYqgkYD+uj+BpUXNxVODPCCGL/S/VXQkkcSm6ioUNJw3xaaJxob0Blo+XX0kY01EfrL1lRYqYVWyw5vtL2WpMy2+git
kByCG09pGZykkpxs82fSSDYUytgC3V7YjRNdjBDKk2uWTjDQjCirFBPDCu97NxSezslKJY+gK+BTMtjMHYlhLl0ndejT1PFaRTXl8omvXfpWA5NLSXCovoEkLV/KL52yzbTfKkPDiJFy9MuV330N9Sr5W25nc2opK+SKs344efj2xGTavO8zHYbNrLY0tq2PDE3A5EMmssptnh03hMx8M+0V0/tGOjfSCPuHxBIjMI6WrK0EMImWSH8ZQ3wZuH9G
CRmbeEcnHmzitzh6DK4dmaULBqv25ER7vm0rBJ90qgasEzqjYjyjCInUVUZMPGTA+0GolscTW0GH+p184EHYZqMoSPBxLFA3T0O05NRDB7AYVLzH3tKPB4a7BU+sL5VdKNzzKzVxts10sSD2DKFjEyyRnCR5DTV+aIwpa/hAOCfEg5iUwO9Chj3AwydKMq3X6Oat+7/UHWgPktn1cBr7fSyClB0GOCxg3TgML6JrgBj5d0OXuVYeiE+aOsGb+zyW
08W5CO0Ma7t13K61xpioEZDMZhazdBJi7tW2uPHCoJxNu9jhoeKY30C+Qh42fywrXYd5JU/ENmSPhnM0OWi7QjToopPA684Fne1hVBdamH+xHrVVmJOwnWNAxALAiWuIJ28L7ICfeGULD/GqTYkDayLVOmBOe74NXjJrVlII2wjpq/LWKd6Hik9Nhjd+iltMftY7D5EeTZ3YUnNUCtuFno56byzRmtKvQ0fb0S1ISBtS3mQx5YBaY+MrBU5gR1nP
zNpNQGzhFsxAYsy1O16w6+/Nsg23NGJKTGVzLpadN6XRi1x7oaLvZCziYzLDxDWMBh1yW6G+2VplXRR1aGB0KsmumGaD2clrSmyQ1BM5afkSZmTpPS+GcJy5krtwl0GO3gX2e3WK9FCnAxRSyMVp9bd5Yp0o7sAEd6MdD+n5EANFT2QERzs0zjdItIiseW0i9wQ9O2mmSW225+jvu2AaqDrN/CsRU5IkWuSs5xofRrMNOYCtczZaoHeAepXDR3eV
ZFxiqu84Gnxq9Cn2gyarXu01mzzOdl4N1aaTmaZ2rtpa3AWBssjxDfjiwqqb9484G0nbQrp137bFp6F2Eq2ZOn4ZGS26unW/QrVRjhm41flhyM3aACZqL84pZXyY2hkk2wzErucCRnMLlgo44BQvo62McB2xDefZHU/mXkJqfJl+ZftHXyiOaChzxXKekQKnM4JzF+byLmVIbBEQhlnh53wzRhgxnoao3ftab0jwDSBwOlyepbQY0BQQiMIZHK6W
baDJ2uzcM1MWV8kRwqWsSgIU1sHV0Km05rOau7Rw6oO8mVa5rK2qcdJgY7Lia0lbDMjTea5Ewnwa1nz1thhzEQ8eSuAicFr/OduKpivnzrDRh3K8QxTlv1XS7tRNTnEyu4CRtQWh2nC1WSg0UGXSxZmfPiPTavDVBnGKmN+aCT6WWJDs9/sIYJAMmZNPCZ42ZZuMEgp5/aZedMagS0ZY01zqCNFRwslWFJMkn/N73Ln5tndJTLKJ7Zm1WB+Lfjh4
M8KpM+EoA1azit57V6Le7vWOEcQ3MirgyCFh6/y1xVpdQd3o1676wFmZsTcPyDeY9bxUA3ac+LPNisBxZWmNm5wCG0jF3kjatmWI2G8guVm1j8Fp5FGyCBlm48R2cLMDsO0Y5IdXe0zVa3Vq/HlkVVkF/Fupxab94LJfXMa101psndGtjNga1F15XaNxqKHA/Udcj0lqpgNNRjq9ZkU8MZgkdQhl5w3lUrIwEtpElLbhbmqkRo+illbWDNdNNhCG
LlqcJMij9fFozA0JP0L4egv8EB/YWIoI6kCcOV7OFgn35Y8My55Qu67OolVegHODtpSE7cCQu2ku6i2mjTkzbJGAdhSUM8KuN2dQxVMjKpWTStOtck2G8oVezuHOX0adVY2EhNSZZUiOUDJDeeAI4MMzMZaQuzsjFGbiHR6+fdftPNUmKq7TyqnVVWNjYCHdDJjIEe8cSYKq42Ld23G3arvFL8F05o4WbWnk1cZEgDJlqqxkbrpfr1shxmVzMvjW
9V6R/fkkAUXU4F7MQj8sZfAZ7rp5dqxRnGE22myaxk1w0BNRHrL0KaJ9wy2fa+4TcF7K7DdYczUEftp5xrDxpHXN7QDmaC94caUQ2ZT8ZufnKO7NHgy2s/7co/pozESVsML5MohEb/kVPTy4JGjJGUGeCHAOUHzTU8ug+KtQOHNWD7/PXxEkOnOgX4nSYaGhZHz4108r1fVL83fiF7Vc8Qww8CRMOapLDloY1PYccNiSsS3OZ/Q/MxWC1DI+kkFf
8Np8H8ZIrDh+y/kUNp5tasuPWoIZg07ONLJRzTSziqOapk63Lo1NgX9XAuSZi2yvItKxdCJv6tQa72x1ZNt59IvnThfmooiJV0mgTdkNjA8MZGFLVxxPtO6/g17iTfMztImZ3kFMXCgJ8axRIcSr2fjwid0y6HgsThXfd3pQ1ybcNnp8ok0IRIVnB67eoD3FQE9DbHDAVGYgrhKvGUmNEHkreyM45+ZtdjQXvQ8RUobkX1/mCHbYfnBkYx3FO1m5
pqgbK2u2E5BHRjuY5oe+3ediOwfn7Q5tjIKavkoaIqfklYDmnk1PGV/gbNNlaaycsmbZApJpd/DzT39gaGNXIH0uW/aoYCKY2L8FOoTLJ9GA+m+06afCXnVILb4V9TzeEy+2jP8ORM9LJLd/kKpS5ftHO44mRqy3dZ08XaVTS/pCL35yIYRMLuIAmAbViccdy+0h2AC8uUPGSlnS+++XNvyjNx19Q63fsd7kjKyGbakSS82PfjcVvoFdEs/oZbSv
eHIq+Tdrs70Wo2eYgvvl2R6MbDFVtEScaBkavyVg9fPx+ueR5FiZuD27/AhyldxADOCfIzsGWR4xC0eIw92pj0vvNcRWnjaDiPVPnCjUnOw9flMFFZ2dpRuS7ZfufdpKiGLTDCHuqLFZ53jhTljEbbfobKj3XaoollK+SCUj9VtPO66ulddg9VRrnKHpqwktAdZbtTG88KNqkR8dBAvW5syy6UOdNVCHJqYlOFFDsBEsvfBUYqldhSKGVpImSf2R
5M8P1rPexry8C6Wia3V7AgUNGR6i8dh6GGsTi3W55LtW5dsBo5LUPf72Overjnwh46Y37XljZzY4N72ST/XRvPvvPwdmCDR+w7pd+PT8kkPTVPXa/sHyH1Vu0jTHEGZa0PftKHJXvAO+hhYHyPDRe7q96u/f74c8SG625oHSHcvvGSy7g92u/4mBatZXAqZ7m//e+hAP174DzouruFNjVrLxDgm5ZbtvR3db7tw3Nja2ROud5cA2KjFbVuMPXbid
+E+VHQCh+/9jJue4KFsMx39b0Cd4+Y1Cb/HRHkd/R8w9kfym/cr1oPNqbQYd36Hzj6R5/uwPg98DwB0g+E+1vRPNUpuwPdWELzaPHbhj1h59s69eet9OE23xU8kfx3G8rmw1rjCaM9PIngz6tZ63bKdRmtU8ka8XcAf93sHs+S0dO7sihqFcjhnDdYZWjAGXzhTdMeB2zGJDQ75Je/Wj7XtyNeLkATQY83uWQaMjMMTZA+4oYjjvd6g1sboMJevP
3TS5zFxFPFtXLcX7jR5a8/IKVgMLCKdvfZc9TAr4mozYl/K+6iqvhjtzXV+CuSbEvmh76c5JFT34z5gXo2eIaLahfuvEbXrxkYG9xXCmaS8rPcK88HMYSFrGa1S/GuwrRxpwr04ZsS/DieGE/ZEuNWfmrXP3p15Pjffkf2WrS+3m2uezCfYrUbjLdG0g3neBdLve3oBjd6O8+3lbT+tW9B0S+vtcu1o5eqDQ3n23tuAd/hM7a8+A/F2lnZkiLfMs
b2DVWJHe84+ah2C4fDD0HzVNPt9eX7WPGH5j+87Y+Ks08gPvL0RJzVUSRPw2yT5B9k+mP9j/sar3cI7eL5jUo3Kp0ZiESixg1HBRpZZJIPSifrcw7nC9OrfwnimEYQ7UCEmvEvi3sXxVgl/0S7t8iJiSEyw6NermFXrAbz2q/0TunUYXp3L2Uk5eAGDMr04aC/HJzQPnAyZ4o1zdJfBH+0tL4c+Mkud+++GX0Oj9B7fwi+bOY1el5xh/8xG+jw9r
q2F+KZXOvnsXnB4244r1f2jbZdo7bfEfzPjHj5Sla6GzDIxfQqV7G2qZ8moJfPPW2MlL4/OBBnreQWK0L/yHHyUTYg9UOuERTbJ83+12G4Q4DU+vkdaN9UPBdrPG+B7W+1K/vks9A2A1Vl3d9CkD+9Ljkm+zT/tdwNHXWbTOF41QE/C/Zfwi6/a6On+GlxM1HONx9Ck+zP+W/68Tv7bedtqcmqz+sjHNLB+vhncm7tv+fdHFGRqiF05HaPdN3+VR
wpNvNQwuzzOyhYCuUiyq4WHykiRLCf/gPbiGQhkFIZ80Hm7QVeFFtUKn+L/hf7yOgLlIi0CILvdZZ+6Ab8KYBAzvhwokoqF/J7qkDqapU8H7BgLDQWAgM7QWMruyhy21omX6hSLfp5J3C8AYM7IepzHiTH+nPHwIyCfzkIIcMz5kiK9iK4iYzmC/Kp4y86BJhY6usPZneSesPvvH4r85YpKLAMBSlCbiBjtDK4VYKXPcyP+P3J+5AM3SgPw30HDn
Q6C2jDlPKySlCjNyYGaTNnLwB+ZuArjiHsu+QP2skiRZpyy6O0ybsC9p2xyMvDIxzbaHylAbIBY9FyxHGl9jnAOcMoh8yGgUjIXJKCJcg/je0n/InZZabimZLSIBjPRIDKkWv4YO0jnC7bTG+ClOpu0hmvRKLu2zMizG693C7adsKshbSGKI7IRIUedPC9Js4DQgNaR0H0uzjFap/N7YxWzHrJqseWTNhxwk8NpppJInAmo4AyGjs5rZy63CJJNM
bql3yroTnNP6FIO1hGpsO7ft8wMK9Up3SSM5PL3ISqMDrFL/2hanTSJKP4vSL4ioDsFwFONUqGyb2hqmj5wsjvJQF4kISL4rsBBwQp4rC88rMJ/BijuuiPu3Atgbp2NdhFpZ2CdrDaps5NohzTq4SkrbasYXByj5wdnhsFgcKLMSybsFbvsGzQscMab1a9NiBBPBRIQ7KaMQHPQ7khOipvIcGFLApiYYr1vSEW2tVivJ6WKNpfRQ2Y9DDYDWPISS
FMhAoZZ5r61nuez9M5+qiHKKvIaSHMhG8lZ7eccodSqmy5AVYwIcTtMhxYh0oXZAahjRFqF/BkpH1oP45rLZBqhMoSaG2eCoXzb9y6ioCGIcTfj7bqhQtqaF2efwaJySMIXKzynqtocaFehDodqHYmmLhYbGWgnsGFHsoYfKHahOPH0wbmrRuugshxSMzR2h8YWaH4sFforzoqNGsDQE2aNlxLPeafLlJpsxLGOxksDgoZ5UhdNjzZPBtJByGF8b
AfDZg+fthD4hkB/InbX+4CuWJv07fOmH0OSwop4Qhw9oFyNy/IePYjaY5jcG/2EngA6PB+DukyEOULAkrx+xLObZ4iGKiizG4ubuFru28YIPyVqNXkRqrqJ6k+pLMATpYwDCyBld706pgTopgScvL2wZOIqC87PM6XDJoSupWtF6wy17LLqlOCGOi5dsWLtiSF2Z4fB552hgr44YqSkEAF26FnIbYm4ecKr4tcmvoWzh2FKmKwkMKJJari8KAcnK
Be4osnz/6XXHZxhe4zMnzG+8fjYrHOXvrZorA2vgEKVe+vq15laHCkjK1GGhk5LnElEZw5s8Dup4yR0GwhrKJsIzrsJZO2JqPpAhJoJgYaBhAef4/8MjEfqHynBhoxJyqIhxxluGItfLyOZUlGIOs+1qTrgitahSL0utzJfbNh+7JSb9iRDiK7CMxgbsHXsLkjIwoYjCssJtCVTIIGdAIoquzii5PJKLWs4yoWrO0cKg7g6uqPL2p5MrtKoghRhf
jXIpuDdpa7eK1rpeKwK1rIvYGOfbAo5NYEjni4E6+fF6yHMpuNCrPc+ZsvLYKPvo5JQRYAC9zVR73Jq5fcWUWiHb2RTAo6XsTXHJIx0tTJ9zZs1rEmbpcCtmugjKZWg1FvcfUTiy20foq6xicyAo+SlQ3Ua9y9RH3NNGJKMwuBxQSZrM1D1cyPArJw80GgNSUipsp1wcc5vCzzHc8YPtH5sh0QQz9ibqtayvOeItm6g6FLJL5YMurjFEY8Y9KdH8
cuNi2TLoiPt/ry6uUtZIVuOrNaykuE3M1D6qfMtTYfK/kWKLAcvQtTI+sTyjoyLMMoi5yOR57PSQwiH1lDHsCmcAY7VMucB9FocmLDHBm8wrPxHPcNrJkbk8JEvqz+8tZlabB8Jstay9U/rPazOidEuCJ587IoXzNQ3tFzFwccdluL2MHwZAE78OXM+qouPDlzHFKd/HW6w8X+Bv6+yAPCpE+sKPPFwfkUcn7SyBWggoHrcucsIx1ijHFdrvKnEY
/z580GgY4OQo/O4TQGw5spBSSgpnc5KYFgRiRVmpsRSbGQSkNuLWixblEH+BQDIEHIcjoc9xsSXSj/g/466MnJhxGJIAqRxp0VmpsMO8gjpOsyclgpe86zpsztk1rFdzDyn/PiHZstvvywhy4Ho75FxMvI6Jlc1nr5HweRvvDZ+eCzKbGl8dMjqzYKpUFQH+qSdoVLBMMrIzBFxX4ZryBCeMnkr0SR0kxqous7l6Zp8ZXOxLcaIrL3p/hLWqQawR
xgvBGLxofvlzvc05ixzFBVzLN5lBKHlkzksNdu2LaG2SMDGJMZZmtKzx+HnfzMsRuL5J3cWcP1TTm9QUaIucTQdfFOxKzm2L9cMXAQz0SbFjWGty+DIoGdALcvyzIkfBsc5Yw4CU3KQJMLM8K1siMPqyD8hNhiooJCmCuhQJGCVgxVKbqsEKMsRDnfHpC0vv4JuMjlkIak8Bgs1i0s9hCtZeONCZFp0J8viQlwMV7LDE9MQDIU7QGnCXL4okmCXn
ZlRrvCxxFsQiTL4BCqfGIkkJYbvHbR65vILJMeHCbL4KJI8UolGiPbL0wTcFMepqaJ8ifQmYJYUq1htG7OMbKyJtCaIk6J8sou5oquXJozXRGicIlaJZiVgyL2u0rdY4kF/O4lyJXCYokBuFTMiRfsbgQVEtafgiInaJDCS+HhgLLh4KhktibEleJAbsgoxMEGJjJgaqSZ4ncJAbpoaa8LkorxcqgSXYlxJtbKWQqizDK5ybhMSfkkhJoHBkJr+z
iVyzXBEwUU7YcJMcGIgR3icOKtJsMe0lPhxSABHFOPScaB9JAbq+yhMN9sgKWS7iZMndJ5DJMmj8Q/ADJWxNOAzIuuiyYBElOvSWskjMfTJTZZB0qkIlLJQEQcm1sNLBHRR0mtAby1ODQX/GaaACdclkitybiSNERibND/SDJMBwvJ+3IcnvJzUHclfJv9N7hwAgQKqDWw6NAICvwmoBZDfQIoI2jeU22PgChAUAN8D6A+gGoAZgT0DvReU0lD8l
PJ/yQ9KApqMO2Th0IKZ8kx0jYHGS1UCZBIA8AnwM0DYAtQESAXwN8A6CvQHACmAWUN8EYCGUQ0P8DZkFQAbS6gRtN1Sm0WrK3Ik+d/na7cE34A9IxKrLj4og0ypn8jo4lIXiYNhJnrzZgQQhFZAtOCzEDGgGtZGyTA4AVMFgZIY0HPj7UadAbCKEWdGviqExdLnR74zaAXRQoOdPdQWEW5E9T9oFdGgAqkw2KEQ10eNJkRDEepPLCPILdIeRt0Ki
OcF9seLAPSzoqAD6GM4Q9KgB86OghzhaIHpO4ia43pDYho089BDSL0UNFnphk76PXRfo0ZMei40kANvS70YRHfpH0vLCdbhe8SF/SnkP9K4KyMmSIJzIMOdpAy/WV9GW630+rCCE/ccVjZIbsTksMwAMSbMAxeMYDAjGcRVjClJ2M4oo4yKsS6UAxKSlieAz5SATOr5FSnjPqmeK+6XpYgMR6eunRetUkcGtC8JEIZHS05puzICdnha5uaj+tlaD
GU/HoxR0ZLKZavKhstuqZmiuinzrogGbLAysIqKBnVm0iifEQsOOtCxvk1rFcx5yLklWTncZ4k3K7mwrDeJCM6jGIxaMlwR0l4utweVhms73AKxqafkQYYaMfeuRkjJeqljK8ykbHKKmyajJvyaMEjB6wjJU4kwYFCX9KtpG8x+mLy30P5umG+2s7JaRNYe3hRHiZITJJkhI0mbewIsD7B57ug63LGxvWXhmpk0SMmZlKyoP4j8ZB+bHBJkGZtkM
kh8ceimEEKMibKbJ6ZXZKbyGZtmf2lHOPTFQxlu1opZkqZ1mepn9pOTPP7BiTGhSRCGLmapk2Z1umVpUayXGzJpc4SP5n6ZbmTFnphJXDHIOsFXDqKj8UWYFlGZTXKNxgMbfE2TSIzmVZlpZQWR8rz6LZCdwcoBkuQrdclWaeTuZsWXi4TRq0c1HBkKWa5mtZ6WTdE4cLCvdEqyFWQFlVZhWem6C6epmzihkg0L1nRZ1WWVpBKerrFEEMhHmhwtZ
UmZNmIxJPHDwoxFPAtkFZHmYjGNupps25vGR2RNknZy2WezORBMW5HNZ42f1lLZhUXdkXsLkdAIDBoHIxmkZ/GVIwjJGPn1n9ukvJ2r0Mv2XxnaMAObjH3ZPDoTHEZvGcxkCZjkVyzTm4rp86JKPGecZI50OcKKKun/FRJzU6xmABY5TGWRnI5qUWqb6ucURtk/ZJGZDksZN0VVIlRJkm2S1sEOTjm+0TXA0FluUrFJKSM7OfTmc5FGaaoSW5fKo
inhKmoLmI55Objk1ZMEUgzcMKHC5zS52ObLlc5rgsa4Bi7TFgIfMquWTn/ZGuTVndOuDOAyZ8lfPrl/ZUOUblxZsYr2oEaX+ImLcZHOerki57Sk8oau0rKcyY5LuYblu5kSufJVGeYniTO5Qua7kjJ/HA5l8M0Mgjlq5fuYJn4cYhkRxksl/gxlh58eWWy2xWJGFx3WgdJbkM5FOWgbuCaPITKkCl7PnnC5gmXez9UkTsiw6ZFeeHkaZ+YrdboYi
kv7qx5Budbn+59htXkuK2mQErg56eV3mCZnQv+z3+gAt6AN5GeZOImZAHnvylBubL7nD5dHJM4sKpLCRxT5y+f2mTa6TCpyjm7jFdkvZO2XFleZFMonx+ZT2allH5N2Xi6KaOrKdyCeaiGNlX522Tfmmq8WazKpc7hDSLl+m6TYypSkWlF6i5mJK1ynCHXLsLY8f+eNQAFjufH61Zx3O47gOTWaFJQFtjLs6wFy0Y1FTR9zL/y4iiMuyIcoHsYjE
ZuM2dm66eyzngUYCBBSxxNxJOe9n4xcOY9kh+lBZJbwYhBbQX/BqXBcaSW9XLAIsFM3OopH+ufBpxCxy8sXx8FgklQVsFNBZfy1cN/EexUMEhUyasFghUQWcRwgb86d8YgcwWSFKhewVJCWgftLRyCzEoXASAhfoWyS1YgAIf2e3s1CmF+BdIVCFskv8pay8kvo4ve/EvwXUFThVEH6cxvpr5pKuBboXmFMhbJJ2+1jESw1xFBcEXeFahXi4eRLb
GUI6GbXPYVSFqhbQWKCxcoApZBZzP2Y6FyhSEU+FMVl2b7huziRIfhi/mWBySZhbEUZFm8SwzbxTlkEUFFtRcfGIewAoApEOWTNUUOF6RfRIwRDRfAw7xqRXoWhFtThVoc0xclyzu2IxYUVxFG8Wr5uMQ8RNxCGPRWkUWFtTiAWYRp3LsrNFNRY4XzF/cS3Em+zTP07RFLRQcV1FcWlOpGBezqsVeFlxcnKbGHjFmyEJpkrMWtFfgWGbJxGcg4If
FjxbJLuG9XLnKzCgMv8V9F1QrbE6cL/EWxTJVRQ8UQlWfmEIpC9QqPxrFoxUUV4uXPB5L6SrXOCUbFZWhCK788sfFz3FMRQCWQBaIrpGzuA0qbLolcxbQVgcqvCixQcmvPiVjFy2fjkUshOSm7slmJaapFRMcJFqs55UTOnJS/+dukYFmuTPFYkMcCgzYKkBeKXQFkpTf5NcJuS9JlREfBbm/5SpWgVDCQBe7m5xfXIZqw8TrIqURFepYAXx+vtl
SKEMxjE5JZwkBeFJcBBkmDJX8EMrsFvs42jOnOluJdOkXMrrJ9J16CWnTE+lOJZFKmREqu+Kf0Rgroo8cTpeGW2S/pdkyNkb9MlIeymbBOFhluvBGXJl2UcRKfOctmNwJlOZUmUO8EmTqwwhcYGcIllc6XbzJlb6RCwwarZDHSmyYUomVeSVLFDDtlpZZ2WuCP4PRxkM5DPMLUMtZa359lHys4AMMNSR66tu2ZXWWul/ZWowrMOgcMKAGKBb6W5l
VLKbRWMIMqcxkkK8syw9lC5ZGVlaO5ZuVJl5pVunoFqpf2X5Z12csBXlEpTeUGlkSs4CLcWGZpEBxyBfCXkliJWeUDp3DOEHf4SatL4KYsog2IeE3/u0oDlJCuMzdpynDX53qlcSpyTMaKrQUX0iRtfRB0nBmDnR2llhaQIOgzHVH+iy6YelBMQ0t0ytMfTNALEVyPI1ZBurnHHoUh4Egoz4yRwgslZ+qBTAXpSDSrMrG6dLGmYio08tRq+az6ZA
p8VwTB+ys4WjOSwvy/FRlx0BXErSbDiN6qzzR8nzJtJtaO0oCrD80GX+JORmzGwwpe4wZRl58Qxnzo32QQqVLaVnHK8pO0fcZEox23bJbRkkJ3PdJkib1vSxAi1ZIJnH8zZBiEGh+lv3Ky8mGK7QRajlc2qB5uYsM4h5azF8awRGlQhzfJmrM8VYkoXIhySu4lrazUZyHBay4uouYtw8xK3KLLfydfCyRQsjuVCrJlOejOXBu1Dhcyhs7GRGy5pK
VXQVORH2Q9nfZnillwiMUEkswRSIyepxicBfGIWixlVmmyYu4dlcrIJaAc/5EBq3BsE+ygZgqIAsfCEbGWC2grtEzB4Ls2SuVyabsyAl8AjMJ9CiSQ1rbWC4q0rhWpDAea+F3uhoYHqdpnCx7sOrIeyMsKSQ3LAGmQWXIF8r1nwLcsKnOAHH2DcjPGdcfjrTxBmcLP9UnMkrNwrA1tTiAo7pVnJCxwso+T77j5bypuG/JjQQCm2upNssZGBQ1F5z
d6+Cc3IJ86Ce3Kw2BNQFK1RJNeUlpJIrEHZM2btnPnmZBSnkmmJjNU8FZ5tCuSIW26sfTWNJAvC7b0caFExxYyBoBzXBJwtVWIyGGTFLxCobCZ0n5s4ySsllOwjmyya0g6Zi4isWNZep2mlZRHw7up+bkqJ8XZCMkscfpl1gUyhDLm4kWo5p+rYc9cuMVNMkxR3TbieRa96OGHjv1IoY6EbUnLMOxQnzyOaVSFztcmVW1XjOVcQ74m4qkcaYHsBj
FCxHsxEVYykRxcoGxKZsCUcRo88EvdqNSH7heY8RTzkeyDRnCm1zySYghoEaFVfv86l1amcgz0kkgbQXYlvZXbyZIddZEWT8mrg2oO8TVZJIQKt3FbQd1cIY3VphjJZy7siE3FfIP4UMZNZjcpWTIma5PUTbRrROBbPVToRZSZA20cBTKWPkZcj/hhMsCQrmb1t3Nwp8c9tY6KwZ4dgqlH1BgmhTgMp9bc5oGieYRzVhG+ejF31J9Qd7Wl/1SAKS
abeUIbcxbTA/Xf1JBltySsKnPfi4k7vEA331uSqA2ymG4oOkCWO4rWLr1wDfA3b1eGThKXie5kRkjcn9Usxb1Z9dYrmxMZb5zMuHhSUCwNX9Vg1IZ4LE47yKMLE7HFZslRNyRBMVrNIEWSuvpUEN+IiVkciHDdF4rsaZYYIhcOFqdG71xUSgyL1cGqmWmsYjZeJ38pdWApgFAdZuEiNCjbRGZlp0UXJZZ5XI7XyVUlemXiNyjRwwiCUnM7zuEGXO
BmHM3DVBnOOVAvfl6sGKtAL0KLzPczvMmvGJb2uDnH5aWCH4YuxaV20nZXCoUwM07GS3mZTLNM0VpRmeVdLNiRjSlzpfb2Zg6fIxCctBYE6AslOnXqTJI6d8z3OYtRXYsckVbXrgy4jJ6XZJ3IXboBV+oW051RQmd3rMGomeWFo111oQLAcGmfey15T7BsEvVB7KSzHstBa84Zc0HvPkWZHbEhYQKvbJpqHVHysEa752tezi3y3zDDzTizTSPR6c
fjU5wBNEWclbulFTVDI2J/aRY0pcVjVMxZyTVXOwcZrVU1xSNcpQfWxygZXSzBlnrOKJNcOHvGwNaIII+XZViVjRn5VdUZ1kr13WZUWeK5lTk0W2vCmhHCigbuDz1Vf5hC0CGULYUF1RK2d9EGuKLLHJItllZMlSSyPKW7gx9DjfUXMOLbk3QtaLV9Ho8mLY+TcWOVaax5VFfAVXtKusf3x08qXiS12WSDff5V8R8q7zc5I0luKIiBjKxzEMvVQY
mJq7IqoofNdgl83MkYvMMyqS6bNNWcGs1TVn3N+9ZgZzW6rrLDXawtrdVxZpzYlnf52odDUiMFnDEz3p7+U4HZIFXqMFzWPNf7R8131E3kqcLeVVrt5OjphnNkYXN/jxIbpRXYECRzd6WasF9W6rOi7rKxnPNIpt9IYkiXt7W/gvtVQmKsIVXOxJ1cPKoFx1vtPQ5JIYSkDwSqXDZboONKjaAXtc6jSJWVMrDuJW/Sz3Kw3jcTZMmU9FthZqqiS1
rEdy4Mp3EgVotDFfC1MVi8TzkMhpmf25ls//E2UISLZboaYJt0cNnKyW4h2lwV2LD2nrcYYvXy+gUbPZXJlUMKy22tDYkh7phW7YS3luxLXEyuCW7fjmF8uzkHzScNup2nwVkzN/TE81She1jSvPMmWAVQ6SBXLsT7YNQvt3+PRU4MvbawzMVJQKDExcR7ZrqlNd+ou4WlPFbumgch7ZszHtkHevaiVVbY1ISV9DAh1J+RirY0oKbuu4RZM6LdS1
xRb/HmZzBCTQyyncW1lgwkFa7bNnAMRrPS1OG5rL870ZIHXC1xurDIcVOVu1dM3gsIYmskHRM7cdHtZpqo8LwcFNpiGANy9U1H9RIFp5kLWQzvwGUkOsX6YdtDWbhn9pTjdwIuNT+bPX8NbDQ21NcejRvoGNlXE7EgFfXGW2V1RWXPUCN7DeVkhRqNvXFrS4Bg/gytcbEEzfNCrRwyh1Xgvdw0SbVcC2ydOLGC2Ju2zWFme+QTbC1uugHbqwvOin
XwEh8nUMjy0dWboirzZGtQJzpNlsYyVUt1OetlzWs+WM1s1biYjH5da2Vi2o19JmPlhKmNVFFU5lXbS2TN4jj2z8d/bG1VEdBXVV3EMVzeGyes3Gp11WuvOhlGctWTcTq4tFLUznFRwpa2SilFzNdKjCt0pJYjJwXdgU9ZXMuR1T8lHUyxCyxVYGxrc9kshmMNuOv9xql8CabmalErJl2nGClbbjICylTGLx1Gik1rHCeNbMy/pAxlto3uAefpyS
smrrSwhkDwgRU0VAzJ+x1RkeWk3AVTmcD0CJoPcKyBSsHDU16hlNihyw91FfiJg9iPQUYZ8c7EKgPhsIlRW9MmPQj0wtNuuU1BtrTNkiUVIPST10VZHVExpeIwnxm0miru/T3dQlcOGFt+HbLb7ihlYAVlikMsOGPpYleh01tb4mQ0RakknwaiR1QrOnjlkyT/mKs6zPJKqsp0nzJ8ck1lHnDp6ZuVU8tI/M1iy9HylDAtOgDDuKTFzpG1UDlpDB
TTDlfQqOWXWZfADWw1lrfH5TlPbZx39MGtrwa81gMi639lx5Qr0CqXraSxDFvQsEzIdB9ALDS+wLtEyfxuclm1fxidXm11RAsFRVJIrcr3r3+gDXW0L1QjaaoCwvUhto5WAGSQnTtSsiJ3phAsNz0YmX+C+yoafbhLyTMybWWACwqlSpz4ibTOTVscKvRezsNWjAa14uAsGCyyKVImhmctx7u3ynud/NuXcyDDZCy466GeX6bCOwqUIMyKJLP0j9
KGWP0KKnLZoEn8RhdHrBs/ZXP2j9TDUv0h+9mSdVOWzUIrYn9W/Sd3j9aJS4Wg0SbIALAsJ/XdlGVxsulbCssAn4UPVn8j5Gz9Nfftp19yzucr1cVpBIK+Bk5dIaeGX3V2TzdYAAkVdCOHPlF8KJ/bq4AB1ZO4zgDIfiIKmayRZgNwDREqhU4saKhV4KCqyLwyqBAdseFu99JbUXUD1xW05McATD93Nq75Zhm0C2GTbZ+yLA/SL8qt9pJrlZ25e+
05dn7XoKsDdA6IOcD82rBVjMi7YhWOKNA8IPsDDA12VjptprEa4Vv/IQNJFGA5H0cMWvVD0KMKDGwKVxYHjHXd582oH0ulC6cs65xazjVYc068qta09RFceGwCScenLtMtYZmoeNbzIg7eNiSljCYZkknV3DUBzmR20s23T5XJN2POYHaMPsb+6Md/zYy10ZafPv2RyOgTHJgNFbE00iZcitkPV1sgtXxtV2qW6DtNE+SXxKRWsftJ0c6MuWTMc2
Mt1wbu9skPy+K8ftFVKdyXc5lUlM7jRGp8WzaFnOcH4SmlG8VMabx8GtMbQVBcKnP51hcyHKewdVDBa5HH9xuc52BCrnXfSEde2WTyoxLfbAkmd9rGZ25Z1ydNl0d2bkrUdZlneXXgFSvaBxCdFff2Kid7SvBqltFdcVJFxOkhex8GYSqaxNc9w2o2V1MbLK1ed8rcKXAjZdaCM/DqnXVmIFjWUC0gj1nfCPFcRVY6K8xwqP2zGda+qZ2Os5nfp1
fJ9bbI2GtLMpY3syyWR/UGdpI/n3u52nbqxJA+rK5JPROvrKWatZI7fk2t4UYuoYKforCNojuwivlJ5b9StwltVnd8PCjk4r/XutADRKMPD5bZOLLVUiNkg+B5fMPUN1CSmPVaV9LOkYUNyEYvHtt9WWdx+yRjaI3aNEjb8PlyKrPwZAjNUqh0COG7OL0gdLw0dFvD6YdOWMVQHWnxd6AdJFoEcf7ZOKjtlrOO37sk7VgwT1i/BeJChXZT33h0ff
U2QD9tBYoMPyCFaIJscfdYCrACl7MYM4wzgLCQFMhjIvwgQYXRtyz+8wT77Pq25cuWIkq5fWLY8ifiM7CS+JDWPGSdYxkYNjyzkCWVke6nsrtCAffL0uleFfxLPFkkv3wosyAtuX2DfpdQOg1ZRfPFBm040OOzjegjh4hMLtLircay4xeVeSvgnTr1cjDGrZ3kbYwB2e9c5c+HNi4oqDrVMJwtuVvpIMrcmm8pcBOrbhcYsWr0ys/Ywq7KIqAQy2
i8qhT7yBQKt+kr6t7coMPtDTFk3EcqLPMyYxmvfAxmDPnvk3QOdqnZAOqIKW1UzjkUo4OQTKWmwwIiAvNe3FFsXsDppMn9JkzJa0XIbbEckjPeT8Kx3Qv1P9lE93r4Tdns1jJlSrGA5q9fyb2nlMeEy2RsTdE1ib4W/XZxnRs5TF8Eo+1XvXxlsxXWZntFKzdA5oicbNBz78iAnxw5ifQyM7yqvHgiIv6AnvgFxZIWY5yRdEw7SaOaqwepLuDNWa
iNSjTw3xq/MWFn0L9iT9eNGfNkI4mw7CvgiTxlw5QpDIsMDXatk/RzXXeo9B5vMHV4hPbg3371A7sbrUDJKR57NBr5c2pTu6IjSXLMqgyUF7t5QSe0yxBZlCIKxnoNQOLFGvjKyGTWJZwG4l7dcs7hF1cfwzhydurkPGF3VSUBVWAQSnEbMjbVf3X0N/VJKrFVhco5ACe3pHW+DEcZ1NH8yQgUKpClrDnGrOH3FlIc0WTC3UnlnjmM4GD6Az5ZZM
2Jl74L8w/K5PReiMBEitxfTrpmDDSfHO55lJKoNTZ8P1Qey1sJQmryslybA3IlT56SsW1sZ2eP4cCztcUWvTyxVr6fR0UcR2Gu6EYxJvTAM/LLl97o4HTDhVSgHX34Q/MHVttanSaNdthvkIM15BisJHEj89YI2NtY49nxIyDYgPnPctk48N0RJEZWrp1fsq/GnDZXISPCoBddxGPO9hCXW+dWOmHUBdyHO/yJ+EMSn7ITqVRzNLDEdQwIdlbdY4
3asOncyOuN68e0pnBrodqKjCuboyMP5LI243CiD0yyUm6bJezP4STI4/muSCrtUrclwOkTk7uduTm3liIwkC0yd63WWN0iWUozKyieIkF0K5lIigzcRgDf6Ij12oz3UnNFI2c1Uj9k9Q08ZmtO0w88PQ2G1AZtRtCxTtRigK5eG/9iKOv16+eKOPtFcD+2BjRE3i6R6NeUiy9N902yLRjC8rioFD6zcUOfMbHL/ZIMlIiiawDK+uVWj024uZxtlJ
Ag+7kCRvSvqLduDYRl799zgQWtcQIrE3j6mLF2n3t2XiH5HO7fGHZUiijLqMfisZZQ36DLMkQNGD88+Q1fiho3OM6+YNeUULx9E/P2oZu/f0L/SAljK4v6cYXmOOmDE0fPMN+4zlWHjrzMiRtV96lOihNelXOLEkklk7RD8KhpUoYcY80/ITzBwZOrvjM6rLMG63c0KzXinLcmoPB6yumrpDuVSx1ZDtqoSx4inElNXphbGdc0tVUbFmUOaqEzGD
oTgbFIZTNbXW5UrizE15wCTtE9nNidveVpl15JM9A7T2dprKwGN8iMnNVhqc6nkOabC0xwu0jrFwsKdQebFUqdDTMamaRwIXpJ8cKs7p2sj+wgVrSLdTLIua5dM9llOsS4vloLWKi2amYFk0avUbdkE2CFKqQ9vH5MlEHOrwKKTNbhNUTrE3QvJlq5nbEwljsbqoLhYGkuGIO6QVkU3T2QZ7XQOuk61m302jOVMLFqZWen/TDiQcHqOP4msHWTxR
QMWxlGTE0U1qKwXEtWTV8z8nrjT8VuO0554eBzUqW7n/MNyCU//Fq2jil/OlCtrroqbsUtfYm2L6mheGPqZ6n35eOqTp1z/MtVtny+CZ7CYztODjvtPRJMQukbKcwek1hJqGmv0tT9Lk/Ul8+ZLGVwxOGqepr8aLHjixOqXjqstTBOQp/M+TIkhbSE61sf+FbLgmjsveTGBgsvROIIHM0TBJy7462a5y5E4C+MTjcvDwEKVCnMAMKeGlwp+gAikh
gSKdCnUgqKfFAYpWKTikyAuoPim706qM+F3LcmuRgRO/PosvXLmYg2D0p4tIynoA9APgBPQiZMwDBoF8PSAUA8QMGj0gPAKQD6o+gJIC1AVUGwDtUO2IbSUAUqZaRfhpvGDUaKcJQmiLAz5vDb7LAcSYGLUwMA96kIGaJDDCrfZP5h50aVO7TYAdqRDgTkSKOnSGwR1DFjZ0d1BuQepV1KLCF0mOJxAl0D1FlitokAEqTOYcsH+TfLO2JGmC0B2M
LTywlyIaQHkZODgSfUVkKuityNZA4S/Ua1NeTpwXdKmImSsNP1jT0xaajRz01qwvTboZcNDQBL4ZCri1p62KkSmUD0ASl70kSu2mnt4q2MjZ1uHCfTvLyKVCkWrrAL8vop/yx8sopaREWkLwoKwYDgreKSmswrh9JmtoMwq3Sl6YL4vLBwAcACSBl4qAIeDQA4EJkAVAQYKQCDgcwAwCCYF8C5TyEVqQCBBU6VGOsdIpACbCVAIYPoAkgkhDOvJ0
H8D7giAy66uuTrC+JORWpTqaqulAi63usZAOqK6l6r7qTutLrpECusZA6656k74kpAuu7rD66uvPr7EOqsdEkAOeufrGQBqj+pCpO+v3r2QI+v6A2VEGlrUoEHesXr+gKmTZAOqDlAEgypGBsIbSG1ABEghAEYBLocGwBsQbq6zfBYAUAFfBEAygBpC4EWxBhuAba61ECkAZG0utsAFAOBC4AWRLRtEbGQG2DwgV8MxusbIQHkT8bIwPBt0bfG68
AUAN8KwTgkY8CJuEbUAJBs6o68MBs8gY6E8DlIhII/BigWybgLKQo+tvZox3CBpv4AiZGJDQx5XEdF/2IHBABGAbABDDKUr+AQDTgYq13TLo6K6Jtcb+gMBuFYDCE8AUgpACtBjrMICQA4beG66BwbwW8QAkgCADRjKYEAJFsWUbANUg8brUMEA40m9IUDxbMMIqtqwR8BfA/AJ8KQDKAEIAAAUY9NQC8AI1JVvB09wKMwAAlDiAaoCAMoAIpBsE
VulbAlhVudbvACkgVbkpA1vub8m9+s6UcADhScAfpGOtiUTW+uAwwbSA5sYAHAKluFpPlP+tEANGOkSlAi24OvArQkEIBQA/YHcAbbkAI+AjrTAA6BeI8NBKAnbHwK8SLbxVD+TubdgLUAvIzAESCLbcAIlvJbd22lsb0wRPLD9AhAIwA3wdm63jzbetLyDpAAO4nAR4syFJtgkWNBtgxkwROWCvAa65DtjbGkEmszwGKVfAA7QOyDtzwRyOADHI
eVL9DEwu4EAA
```
%%

View File

@ -0,0 +1,24 @@
#rendering
Modellieren von Gesichtern mit Hilfe von morph shapes (Shape Keys in Blender).
Es wird ein (relativ niedrig auflösenden) Basis-Mesh eines Gesichts erstellt.
## Parametrisierung:
Basierend auf z.B. diesem Paper: [[Genome-wide mapping of global-to-local genetic effects on human facial shape]]
Okay, sie haben glaube ich andere benutzt... nochmal die Verweise auf Seite 6 angucken
Für jeden Parameter wird ein Shape Key erzeugt:
- Shape Keys können entweder von -1 bis 1 reichen (z.B. wie groß ist die Nase)
- Shape Keys können von 0 bis 1 reichen (z.B. ist ein bestimmtes Feature vorhanden oder nicht, bzw. wie ausgeprägt ist es)
Diese werden dann addiert (macht Blender alles, ist aber auch einfach lineares Blending).
- TODO: Angenommen wir möchten Augenlider damit simulieren: die müssten ja wohl nicht-linear sein, oder?
Für mehr Details: ggf. "Description-based visualisation of ethnic facial types"
Hinweis: die Features sind nicht unbedingt linear unabhängig: Seite 5 in diesem Paper verweist auf Quellen für ?Lösungen?
Die Parameter werden zwar von 0 bis 1 oder -1 bis 1 definiert, das sind Interpolationen zwischen Extrema, 0.5 hat z.B. keine statistische Signifikanz (Seite 7 hat das schöner geschrieben...)
## Koordinatensystem:
Koordinatenursprung ist der Mittelpunkt zwischen den vordersten Punkten der Hornhaut (Cornea Apex). Das funktioniert natürlich nur, wenn das Gesicht symmetrisch ist (was es für uns ruhig sein kann, wir interessieren uns eh nur für ein Auge).
![[Drawing 2025-10-31 18.39.54.excalidraw.md#^group=CDoKWtwZlBIES98P96vIb|Koordinatensystem im Kopf]]

View File

@ -0,0 +1,11 @@
Paper: Variations in Eyeball Diameters of the Healthy Adults
CT Messungen von Augen von verschiedenen Ethnischen- und Altersgruppen sowie verschiedenen Geschlechtern.
## Tabelle mit Maßen für Augapfel und Augenhöle
![[Paperung/Drawing 2025-11-30 22.08.28.excalidraw.md#^area=E2s1rEDcxac3QtD5LzLqO|Eye Size Table|100%]]
Die Tabelle unterscheidet zwischen linkem und rechtem Auge. Das Paper sagt, der Unterschied ist ?___nicht___ statistisch signifikant. Also würde ich sagen, dass wir die Daten einfach zusammenfassen. Hinweis: Min und Max kann man einfach so kombinieren, aber die Standardabweichung und Mittelwert aber nicht (https://gemini.google.com/share/4fd4ee4bf50e) Interaktiver Rechner von Gemini, keine Ahnung, ob der richtig ist (wahrscheinlich nicht).
Geschlecht, Alter und ethnische Gruppe haben laut dieser Studie ___keinen___ statistisch Signifikanten Einfluss.
Die Breite des Augapfels hat einen Einfluss auf die Breite der Augenhöhle. Aber die anderen Durchmesser haben keinen Einfluss auf z.B. Höhe der Augenhöhle.

43
Paperung/RIT-Eyes.md Normal file
View File

@ -0,0 +1,43 @@
aIst ein direktes Konkurrenz-Paper zu unserem.
Sie generieren mit Blender synthetische Augenbilder (und Segmentierungsmasken) für das Training von Eye-Trackern. (Cycles renderer)
Sie haben 24 3D-Modelle von Gesichtern gekauft (mit jeweils 8k Texturen):
\- 9 Männer + 9 Frauen für Diversität im Trainingsset
\- 3 Männer + 3 Frauen für Testset
__Interessante Info__: zum approximieren von Haut im Infraro-Bereich verwendne sie nur den Rot-Kanal der Diffuse-Textur.
Für Wimpern verwenden sie Blenders Haar-Partikel
## Modellierung des Auges
Für die Modellierung des Auges haben sie einige interessante Dinge implementiert:
1. __Augen-Modell mit Hornhaut:__ Sie haben ein 3D-Augapfel modelliert mit korrekter Form der Auswölbung der Hornhaut. Die Hornhaut hat einen physikalisch korrekten Lichtbrechungsfaktor
2. __Tränen Film:__ Sie haben einen transparente und spiegelnde Schicht um den Tränenfilm zu simulieren
3. __Augenlider:__
Augenlider werden mit Hilfe von Blenders Wrapping-Funktion an das Auge angeschmiegt.
Das Augenlid wird linear anhand der vertikalen Blickrichtung weiter geöffnet und geschlossen.
Beispiele:
![[Video_Augenlider_und_vertikale_Blickrichtung.mp4]]
![[Video_Augenlider_und_vertikale_Blickrichtung_2.mp4]]
Tatsächlich folgt das Augenlid im Normalfall ungefähr der vertikalen Blickrichtung!
1. __Öffnung der Pupille:__ Die Pupille kann geweitet und verengt werden
2. __Tränendrüse:__ Sie haben eine Tränendrüse modelliert, diese wird als Teil der Haut segmentiert, nicht des Auges
3. __Helle Pupille:__ Es wird anhand der *Beckmann-Verteilung* modelliert, dass die Pupille hell anstatt schwarz ist, wenn der Einfallwinkel des Lichts innerhalb etwa 2,25° von der optischen Achse steht.
4. __Environment Maps:__ Für die Simulation von Umgebungsreflektionen gibt es 25 EnvMaps. 16 indoor, 9 outdoor. Helligkeit wurde variiert. Bilder wurde entlang allen Achsen gedreht um in jedem Bild einzigartige Reflektionsmuster zu haben.
5. __Brillenmodell:__ Mehr gibt es hierzu nicht zu sagen
6. __Iris und Aderhaut texturen:__ 9 verschiedene Infrarotbilder von Iriden verwendet. Diese wurden für jedes Bild zufällig rotiert
Sie haben drei Datensätze generiert. Zwei immitieren die Daten in den NVGaze bzw. OpenEDS Datensätzen. Der Dritte immitiert die viele mögliche Bilder des Pupil Laps Core mobile eye tracker. Die hälfte der Bilder ist mit Brille
## Testen
Sie haben mit RIT-Nets und SegNets getestet, ob die Datensätze generalisierbare Modelle trainieren können.
Beide Netze wurden je mit den *synthethischen* NVGaze und OpenESD Daten trainiert sowie einer Kombination beider. Getestet wurden sie mit dem dritten sythetischen Datensatz sowie Bildern von NVGaze und OpenESD.
Natürlich wurde Image Argumentation verwendet.