# 「DROI」Round 2 构造与取模 ## 题目背景 与其编写苍白无力的背景，不如出更有质量的题。 ## 题目描述 对于整数 $n,k$，若存在**非负整数** $x$ 与 **正整数** $y$ 满足： $$x + y = n\ \land\ x \bmod y =k$$ 则我们称有序数对 $(x,y)$ 是 $n$ 的一个 **优秀拆分**（其中 $\land$ 是**并且**的意思）。 现给定非负整数 $n,k$，请你构造**任意**一组 $n$ 的优秀拆分，并分别输出你构造方

# 代码

T = int(input())
for _ in range(T):
    n, k = map(int, input().split())
    if k > n:
        print(-1)
    elif n == 0:
        if k == 0:
            print(0, 0)
        else:
            print(-1)
    elif n % (k + 1) == 0:
        print(n // (k + 1) * k, n // (k + 1))
    else:
        print(n % (k + 1), n // (k + 1))

时间复杂度

对于每组数据，时间复杂度为 $O(1)$。因此总时间复杂度为 $O(T)$。

相关问题

实现3Droi膨胀操作

在计算机视觉领域，3D RoI (Region of Interest) 指的是在三维空间中的感兴趣区域。如果说到“膨胀”（通常是指膨胀操作），在3D场景下，这通常是针对3D bounding box (3DBB)，即三维边界框。膨胀操作会增大原始3DBB的大小，以便包含更多的周围信息。

3D RoI膨胀一般通过增加边界框的半径或多边形体积来实现。例如，可以沿着每个轴方向扩大固定的距离，或者对每个面进行膨胀，使得相邻的像素也被包括进来。这一步常用于特征提取、物体检测等预处理阶段，以增强特征的描述性。

以下是简单的Python示例（假设使用PyTorch库）：

import torch
from torchvision.ops import box_iou

# 假设我们有一个3DBB列表
boxes = torch.tensor([[0, 0, 0, 1, 1, 1], [2, 2, 2, 3, 3, 3]])  # x, y, z, w, h, l (长度)

# 定义膨胀距离
dilation = 0.5

# 创建膨胀后的3DBB
expanded_boxes = boxes.clone()
expanded_boxes[:, 3:] += dilation * torch.tensor([1, 1, 1])  # 增加宽度、高度和长度

# 可能需要计算新的IOU（Intersection over Union）值，确认膨胀是否合理
iou = box_iou(boxes, expanded_boxes)