报告时间：2021年3月22日星期一

腾讯会议ID：419614790

第一场：13:00—14:00 
主讲人：丁尧相 博士
主持人：邵天甲 研究员 浙江大学
报告人简介：丁尧相博士2020年毕业于南京大学计算机科学与技术系，研究方向为机器学习理论与算法，研究兴趣集中于人机协同机器学习及在线决策。研究成果发表于NeurIPS、AAMAS及Machine Learning  Journal等重要领域内学术会议和刊物，并多次担任NeurIPS、ICML、ICLR、AAAI和IJCAI等学术会议程序委员会成员。

（1）学术报告题目：基于在线决策方法的交互式机器学习研究
摘要：为使机器学习算法不但能够从数据中自动挖掘内在规律，而且能够充分利用人的经验及知识进行学习，需要在学习过程中引入与人交互的机制。然而，如何尽可能降低交互所带来的人力成本提升，以及如何对人的能力和知识进行建模，也为设计有效的交互式学习算法带来了挑战。据此，我们提出将交互式学习过程建模为在线决策问题，并以模型重用、众包及目标函数学习等任务为例，提出适应人力成本及专家能力均受限的条件下的交互式学习方法。同时，针对交互式学习领域的重要待研究课题，如高层知识的引入及主观性偏见的处理等进行简要探讨。

（2）授课题目：信息论导引
摘要：信息论是研究如何对信息进行编码和传输的计算机科学基础理论。本讲对信息论的基本内容，即信息论的基本概念、所研究的核心问题以及相关理论结果等进行介绍，并简要讨论信息论与统计推断和机器学习之间的内在联系。

第二场：14:00—15:00 
主讲人：霍宇驰 博士 
主持人：王锐 教授 浙江大学

报告人简介：霍宇驰博士于浙江大学CAD&CG实验室毕业后任职于KAIST，主要从事绘制、图像处理和光学神经网络等方面的研究。

（1）学术报告题目：基于神经网络的光能计算和基于光能计算的神经网络
报告简介：光能计算在光学设备的研发、设计和娱乐产业、虚拟现实和自动驾驶等领域具有重要应用。其中两个与光能计算息息相关的领域，即光学神经网络和神经渲染，非常有希望在近年获得重要突破。报告将光能计算的研究划分两个维度，分别为基于光能物理传播结果进行面向结果的逆向仿真，以及根据物理光能在虚拟场景中的传播过程做面向过程的前向仿真，探讨其关系与发展。

（2）授课题目：光线追踪基本原理
报告简介：光线追踪是基于物理绘制的基础算法，在各类绘制流水线中有广泛应用。早年主要用于离线的真实感绘制领域，近年由于RTX硬件的普及，在实时绘制领域也获得了广泛应用。本课将介绍光线追踪的基本原理及应用。

第三场：15:00—16:00 
主讲人：Yiyi Liao（廖依伊）
主持人：周晓巍 研究员  浙江大学

报告人简介: Yiyi Liao is a postdoctoral researcher in the Autonomous Vision Group at the University of Tübingen and Max Planck Institute for Intelligent Systems, working with Prof. Andreas Geiger. She received her Ph.D. from Zhejiang University in 2018 and her B.S. degree from Xi’an Jiaotong University in 2013. Her research interests include 3D scene understanding, reconstruction and 3D-aware generative models.

（1）学术报告题目：Understanding the World in 3D: Reconstruction, Generation and Dataset
Abstract: We live in a 3D world. Thus, it is crucial to make algorithms understand the world in 3D in order to provide 3D information to machines for autonomous operations and offer 2D images to humans for mixture reality. In this talk, I will first present a monocular image-guided depth completion method for perceiving the 3D structure. Our method avoids convolving on sparse tensors by jointly learning depth interpolation and refinement for end-to-end depth completion. Secondly, I will present a 3D-aware image synthesis method which is learned from unposed 2D images only. Our method exploits the fact that 2D images are projections of 3D scenes. We achieve high-fidelity and controllable image synthesis by representing the underlying 3D scenes as conditional radiance fields. Finally, I'll introduce KITTI-360, a recently released large-scale dataset with comprehensive 2D & 3D annotations that we hope to foster research in semantic scene understanding, reconstruction, 3D-aware image generation and other important research areas.

（2）授课题目：图像与相机模型