特邀报告
特邀报告1：深度几何学习的探索与计图框架
| 报告讲者 |
|---|
|
| 胡事民 |
| 清华大学 |
- 报告摘要：数字几何处理是计算机图形学的主要研究内容之一；深度学习技术通过挖掘海量几何数据中蕴含着的数据分布和内在的变化规律来提高几何处理方法的效果和效率。但与传统的应用于二维图像的深度学习方法不同的是，对三维模型设计神经网络存在缺少统一的表示方式、以及表示不规则性的问题。本报告将介绍清华大学图形学实验室针对点云表示、隐式表示和三角网格表示的网络模型的最新研究成果，包括：PCT、DI-Fusion、SubdivNet和NeuralGalerkin，并介绍深度学习框架Jittor的新进展及其在图形学研究中的应用。
- 讲者简介：胡事民，清华大学计算机科学与技术系教授，主要研究方向为计算机图形学、智能信息处理和系统软件等。在ACM TOG/SIGGRAPH、IEEE TPAMI、IEEE TVCG、IEEE TIP、CAD、 IEEE CVPR等重要刊物和国际会议上发表论文100余篇。现为中国计算机学会副理事长，亚洲图形学学会主席，并担任Computational Visual Media主编和CAD、Computer & Graphics、JCST和中国科学等多个期刊编委。
特邀报告2：图像自适应感知与智能图形
| 报告讲者 |
|---|
|
| 程明明 |
| 南开大学 |
- 报告摘要：对图像视频数据进行符合人类自然交互习惯的智能处理是智能图形学领域的一个重要研究内容。用户端的简单直观体验通常对应着后台算法对目标数据的精细分析，背后对应着大量的计算。然而，参与用户智能交互的终端设备的算力通常非常有限。这就要求开发适应能力强的图像自适应感知算法。本报告将从几个典型的智能图形交互应用出发，在介绍具体交互技术的同时，分析这些技术对于图像感知方面的需求。随后，我们将介绍一批能够为这些交互需求服务的最新技术，包括：尺度自适应的特征表达、算力自适应的模型搜索、以及数据自适应的目标分割。这些技术为更广泛的智能交互应用提供基础工具。作为通用的图像分析技术，这些方法可以有效地提升几乎所有图像处理任务的性能。
- 讲者简介：程明明，南开大学教授，计算机系主任，国家“万人计划”青拔、“优青”。他的主要研究方向是计算机视觉和计算机图形学，在SCI一区/CCF A类刊物上发表学术论文100余篇（含IEEE TPAMI论文26篇），h-index为63，论文谷歌引用3.1万余次，单篇最高引用4300余次，连续6年入选Elsevier中国高被引学者榜单。技术成果被应用于华为、推想、金风、和中化农业等。获得多项省部级科技奖励。现担任中国图象图形学学会副秘书长、天津市人工智能学会副理事长和SCI一区期刊IEEE TPAMI, IEEE TIP编委。
特邀报告3：数据可视化与智能信息传达设计
| 报告讲者 |
|---|
|
| 曹楠 |
| 同济大学 |
- 报告摘要：可视化是一门交叉学科，研究的是如何通过图形符号直观呈现数据中的信息，是帮助人们快速辨识复杂数据模式的重要手段，是大数据领域不可缺少的重要分支，是人类在探索自然、科学发现过程中不可缺少的重要技术。回顾可视化的发展历史，科学可视化第一次让人们能够以直观的图形化的展现形式审视数据，信息可视化让大数据时代中纷繁复杂的抽象数据变得直观易懂，可视分析让数据分析变得清晰可控，更具可解释性。如何有效的利用图形符号表达并呈现数据中的重要信息，是可视化研究人员探索的关键问题，也是信息传达设计所研究的核心内容，涉及到情感、叙事、与表达等诸多设计元素，长久以来缺少客观的标准及智能化的设计决策方法以指导研究人员创作有效的可视化呈现方式。在这次演讲中，我们将回顾同济大学智能大数据可视化实验室近3年以来在智能信息传达设计领域的科研工作，这些工作从理论、方法、技术、工具四个层面，深入探讨了如何进行自动化的可视化设计与自动化的可视化叙事，也揭示了该领域未来的发展方向。
- 讲者简介：曹楠，同济大学长聘教授，同济大学人工智能与数据设计学科主任、智能大数据可视化实验室主任，IEEE Transaction on Big Data 副主编、Computer Science Review 编委。加入同济前，曹楠曾担任美国IBM 沃森研究院研究员以及IBM全球可视化及图形学会联合主席。他在IBM 研究部门工作过程中，曾获得IBM杰出技术成就奖、IBM 杰出研究成就奖、以及5项 IBM创新成就奖。曹楠主要研究方向是大数据分析及可视化，其研究成果涵盖了数据可视化、数据挖掘、机器学习、及人机交互多个技术层面，并被应用在智能设计、健康医疗、网络安全、智慧城市等众多应用领域。他的团队打造了智能可视化叙事在线创作生成工具Calliope (https://datacalliope.com/), 及开源可视化叙事图表库 Narrative Chart (https://narchart.github.io/)。