该综述论文的第一作者是胡事民教授的博士生国孟昊。他也是计图团队发布的点云Transformer(PCT)一文的第一作者；其他作者还包括清华大学张松海副教授、穆太江博士，以及清华和南开的多名博士生。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

MICGANs的网络的整体结构如图4所示。其中，生成器G用于生成生成图像，判别器D用于区分真实图像与生成图像，编码器Q以及无限高斯混合模型IGMM（Infinite

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

这是继可微渲染库JRender2.0，计图遥感检测库JDet之后，Jittor框架的又一重大更新，让更多的研究人员和开发者可以在原生操作系统上体验计图深度学习框架，降低开发成本。

王文平教授在几何建模和计算方面研究了许多课题。他对质心Voronoi图的研究为网格生成和点采样的各种应用带来了高效的算法。他开发了简单有效的方法，将B样条曲线和曲面拟合到点云数据。他的一系列ACM

Asia的MagicDecorator[6]提出针对复杂场景自动纹理生成的新方法。然而针对复杂人造三维模型（如图2），其纹理映射往往十分复杂，需要人工指定纹理坐标，这一过程耗时耗力。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

Arar，特拉维夫大学计算机学院博士生，2015年于以色列理工学院获得计算机工程学士学位，2019年于特拉维夫大学获得计算机科学硕士学位，研究兴趣为计算机视觉与渲染任务中的机器学习方法。

将run.py中的模型路径填为正确路径(不同赛道都只需要修改这一个地方就可以，参数args.dataset_cls=GAOFENIMG，只是为了传类别数)。即为按比赛要求的模型测试。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

JDet会将模型在测试集上的运行结果会自动处理并压缩后存放在JDet/projects/retinanet/submit_zips/中，用户可以直接将里面zip文件提交到比赛官网查看成绩。

(STN)，通过学习一个自适应的仿射变换，对图像的几何外观进行自动校准。其中，被称为局部化网络的浅层卷积网络得到一组2x3的矩阵，利用如下公式可以得到仿射变换后图像上的像素点对应原图的像素点的位置：

TPAMI发表了一项重要的研究成果[1]，提出了一种新颖的三维模型局部变形基底分析方法和可微几何模型编辑建模方法，并已开源了基于计图实现的代码，网络模型的训练速度较Tensorflow提升53%。

为了解决这些问题，清华大学、中科院计算所和香港城市大学的研究人员联合提出了一种基于标准化生成流（Glow）的自回归运动风格迁移方法，该工作已入选计算机视觉领域顶会CVPR

叶春阳，中物院高性能数值模拟软件中心助理研究员。分别于2012,2021年在中国科学技术大学获得工学学士，理学博士学位。研究方向为数字几何处理。已在CCFA类国际会议和期刊发表论文5篇。

我们对其中精度最高的S2ANet与Pytorch实现的版本在NVIDIA3090上进行了对比，其性能相较pytorch有较大提升，可以显著缩短模型训练所需要的时间。

捷克Brno工业大学信息技术学院院长Zemcik教授及其博士生发表研究论文[3]，提出一种用于光场绘制的实时逐像素聚焦方法，可以降低内存需求和流带宽，并可对高分辨率光场数据进行实时渲染。

Processing，并在Jittor框架[2]上开源。基于Jittor的算法实现相比于PyTorch有明显效率优势，推理速度在多种模型结构上均有明显提升，最大提速可达2-3倍。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

为此，该方法首次创新性地提出超体素的卷积方式(如图2(右)所示)，并基于超体素卷积提出2D-3D跨域联合学习的语义预测网络Supervoxel-CNN(如图3所示)，实现准确的三维语义预测。

近年来，深度神经网络在图像识别、检测、分割、生成等方面取得了突破性的进展。而随着数据量的增加，网络模型的结构也越来越复杂。一个大规模神经网络可能会包含上百个网络中间层，每层可能包含上百万个参数。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

2021的GIRAFFE[2]更是荣获CVPR的最佳论文奖(见图1)。据不完全统计，近一年来基于可微体渲染的工作超过50篇，发表于顶级会议、期刊的不下20篇，可微体渲染已引发学界新热潮！

本次支持使用的自主操作系统统信UOS由中国电子集团（CEC）、武汉深之度科技有限公司、南京诚迈科技、中兴新支点等多家国内操作系统核心企业发起“UOS统一操作系统筹备组”共同打造的中文国产操作系统。

在进行上下采样时，该方法受到传统的Loop细分曲面建模的启发，构造了一种基于细分结构的上下采样方法。如图4a）所示，细分曲面建模对面片进行“一分四”的面片分裂，使得三维模型逐渐变得光滑。

Rosin教授和浙江大学邵天甲研究员担任；清华大学张慧副教授和穆太江博士担任组委会主席；香港城市大学傅红波教授担任宣传主席，清华大学胡事民教授担任出版主席。

近年来，目标检测任务得到了越来越多的关注，但与隐蔽目标检测任务相关的研究却很少见，主要是因为缺乏超大规模的数据集和诸如Pascal-VOC[6]和ImageNet

的影响因子为4.0，在“图形学与计算机辅助设计”领域的88个收录期刊中排名27，相比于2019年CVMJ的CiteScore影响因子2.9，有大幅提升，期刊排名跃升8位。

传统的霍夫变换需要先用边缘检测算法（例如canny算子）对图像进行边缘检测，然后在边缘检测的结果之上进行霍夫变换，最后在变换空间通过寻找局部最大值来检测直线。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。

而Jittor采用元算子的的概念，将神经网络所需的基本算子定义为三类共18个元算子，这些元算子能相互融合成大部分常用的算子[1]。因此对少量元算子进行优化，就能使得不同的常用算子性能都得到显著提升。

草图作为一种图形交互媒介，很早便受到关注。1963年，图灵奖得主Sutherland的代表作便是关于草图绘板[1]。2009年，清华胡事民教授团队发表于ACM

目前的9200个收录期刊中，排名第一的美国，被SCI收录的期刊达3052种，在全部统计源期刊中占比近1/3，Q1区的期刊有1029种。中国被SCI收录的期刊只有241种。

来自中科院计算所的陈姝宇博士、中科院自动化所的陈岚博士生、南开大学的高尚华博士生和王榕硕士生、以及清华大学的国孟昊博士生介绍了各自基于Jittor的研究工作，这些成果已经在ACM

第三届“计图”论坛将于4月18日举办，论坛邀请清华大学朱军教授、哈工大左旺孟教授做特邀报告，介绍他们在深度学习方面的最新进展；并举行第一届“计图”人工智能挑战赛的决赛答辩和颁奖会。

本文使用的MLP网络权值学习于大规模三维数据集，因此融合了有效的几何先验。与该MLP（解码器）对应的还有相关的编码器，输入观测点云，输出描述几何的隐向量。下图是PLIVox的网络结构。

但由于缺少batch信息，训练的不稳定导致其性能在多数情况下难以与BatchNorm媲美。另一部分工作通过结合多种维度的统计信息进行归一化，但往往会引入更多的计算开销。

本次挑战赛有超过800人报名，144支队伍入围A榜、88队伍参与B榜的竞争，最后20个排名最高的队伍将入围4月18日的决赛答辩。获得两个赛道一等奖的项目，将被邀请到本次计图论坛做技术报告。

作者将基于深度学习的蒙特卡洛降噪方法划分为三类，分别是图像域空间降噪方法、非平凡域空间降噪方法以及高维空间降噪方法。如图3所示，作者对这三类方法进行细化，并对各类方法的异同点进行了归纳。

Lischinski是耶路撒冷希伯来大学计算机科学与工程学院教授，计算机图形学实验室负责人。1994年获康奈尔大学博士学位，研究方向包括计算机图形学、图像和视频处理、以及计算机视觉，发表ACM

(CVMJ)是由清华大学可视媒体研究中心于2015年创办，清华大学出版社和Springer出版发行的英文期刊；2019年11月，CVMJ入选中国科协“中国科技期刊卓越行动计划”。

为了解决稠密对应问题，作者使用了一种有效的采样方法来实现训练性能和描述子质量之间的折衷。通过在各种基准上对非刚性密集形状匹配进行的广泛测试表明，该论文所提出的描述子优于已有的方法。

尽管机器学习的可视分析研究在学术界和实际应用中均取得了显著的成果，但仍然存在一些长期的研究挑战。根据对机器学习流程中三个阶段的分析，文章还总结了六个有待解决的重点问题，对未来的研究方向进行了展望：

正如图1所示，智能手机利用双目摄像头拍照定位场景中的人脸区域并进行参数调节以获得更好的拍照效果；Kinect利用追焦功能自动识别场景中的人体姿态并完成人机交互；以及融合depth图像的自动驾驶系统。

“计图”人工智能算法挑战赛是在国家自然科学基金委信息科学部指导下，由北京信息科学与技术国家研究中心和清华-腾讯互联网创新技术联合实验室主办、基于清华大学“计图”机器学习框架、开展的人工智能算法比赛。

介绍清华大学图形学实验室实验室的研究进展、论文成果、学术出版、企业应用与合作等。欢迎关注本公众号，了解图形学、Jittor平台、CVMJ期刊的相关资讯。