2020年3月20日，清华大学发布并开源了深度学习框架 —— 计图(Jittor)。为促进人工智能技术的发展和开源深度学习生态的构建，计图团队已多次举办深度学习研讨会，旨在展示深度学习领域的最新成果，交流Jittor框架的新进展和应用。

鉴于近期国际上可微渲染和NeRF的快速发展，计图团队拟于2021年9月11日（周六）下午3:00-5:00，以线上的方式，举办可微渲染的专题研讨会。

本次研讨会将展示Jittor可微渲染库JRender在体渲染、NeRF[1]等领域的最新进展，并介绍计图团队基于JRender的最新研究成果Recursive NeRF[2]。

研讨会议程

15:00-15:10  主持人梁盾博士开场

15:10-15:50  报告1：Jittor可微渲染库JRender进阶

15:50-16:30  报告2：Recursive-NeRF

16:30-17:00  讨论 

主持人介绍：梁盾，现为清华大学计算机系博士后， 博士毕业于清华大学计算机系计算机图形学实验室，计图框架核心成员，研究方向为计算机图形学，深度学习，高性能计算。近年来在中国科学信息科学、CVPR、ACM TOG等重要会议期刊上发表文章，曾获国际学生超算比赛冠军。

报告1：Jittor可微渲染库JRender进阶

15:10-15:50

摘要：计图可微渲染库已发布2.0版本！除传统的可微表面渲染之外，已支持可微体渲染！作为连接神经网络和渲染的工具，可微渲染近年来在很多方向都推动了计算机图形学及计算机视觉的发展。作为基于Jittor[4]的可微渲染库，JRender已经系统实现了可微体渲染底层算法，支持可微表面渲染、可微体渲染、金属等复杂材质渲染等功能。相比于Pytorch等传统渲染框架，JRender在同一任务中的提速达1.49-13.04倍。在本次报告中，我们将对JRender的新特性进行着重介绍，并探讨JRender渲染库及可微渲染领域在未来的发展方向。

报告人简介：辛杭高，现为清华大学计算机系直博四年级学生，师从胡事民教授。主要研究方向为真实感图形渲染，已在ACM SIGGRAPH ASIA会议及IEEE TVCG期刊上发表过两篇第一作者论文，同时也是清华自主深度学习框架Jittor[4]的核心开发者。

 图1. JRender可微表面渲染[3]及可微体渲染[1]的Pipline

报告2：Recursive-NeRF: An Efficient and Dynamically Growing NeRF

15:50-16:30

摘要：使用从一组图像中学习的隐式连续形状表示的视图合成方法，例如神经辐射场(NeRF) 方法，由于其结果的高质量而受到越来越多的关注。然而，其体素渲染方法所需的繁重计算使得其需要几分钟来渲染几百万像素的单个图像，因此NeRF在实践中无法很好地发挥作用。我们认为场景的图像可以以不同精细程度进行渲染，因此可假设场景的复杂区域应该由大型神经网络表示，而小型神经网络能够对简单区域进行编码，实现效率和质量之间的平衡。Recursive-NeRF 为 NeRF 提供了一种高效且自适应的渲染和训练方法。Recursive-NeRF 的核心思想是学习询问坐标的不确定性，代表每个级别子网络预测颜色和密度结果的质量。只有具有高不确定性的查询坐标才会被转发到下一级，以使用具有更强大表示能力的更大的神经网络进行查询。最终渲染的图像是各级神经网络结果的组合。通过三个公共数据集的评估表明，Recursive-NeRF比 NeRF 更高效，同时达到了最先进的质量。

报告人简介：杨国炜，现为清华大学计算机系直博三年级学生，师从胡事民教授。主要研究方向为计算机图形学及计算机视觉，同时也是国产深度学习框架Jittor[4]的核心开发者。

图2. Recursive-NeRF Pipeline

注册与参会

研讨会免费参加，欢迎参加者通过下面的链接注册。

http://iccvm.org/jittor_register/en/account 

也可点击下方的“阅读原文”进入论坛官网的注册页面。

前100位的注册与会者将得到Jittor 纪念U盘(邮寄)，并将受邀登陆腾讯会议，直接参与讨论和交互。研讨会还将邀请中科院计算所高林、上海科技大学许岚等从事相关研究的嘉宾参与讨论环节。

抓住机会，抢先注册吧！

本次可微渲染研讨会还通过哔哩哔哩(Bilibili)直播，您还可以通过扫描下方的二维码，直接听演讲和提问。

图3. Bilibili参会二维码

如果在电脑上参会，不便扫描二维码，也可以通过网页链接入。

Bilibili直播链接：https://live.bilibili.com/561844

期待您的参与！

欢迎您通过下方二维码加入Jittor开发者交流群，交流Jittor开发心得，并用Jittor框架开展研究工作。

参考文献

1. Ben Mildenhall, Pratul P. Srinivasan, Matthew Tancik,Jonathan T. Barron, Ravi Ramamoorthi, and Ren Ng. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. European Conference on Computer Vision, 2020, 405-421.

2. Yang, Guo-Wei, Wen-Yang Zhou, Hao-Yang Peng, Dun Liang, Tai-Jiang Mu, and Shi-Min Hu. Recursive-NeRF: An Efficient and Dynamically Growing NeRF, arXiv preprint arXiv:2105.09103,  2021.

3. Kato H, Beker D, Morariu M, et al. Differentiable Rendering: A Survey, arXiv preprint arXiv:2006.12057, 2020.

4. Hu, Shi-Min and Liang, Dun and Yang, Guo-Ye and Yang, Guo-Wei and Zhou, Wen-Yang, Jittor: a novel deep learning framework with meta-operators and unified graph execution, Science China Information Science，2020, Vol. 63, No. 12, 222103:1-222103:21.

GGC往期回顾

1.  计图遥感库再升级，助力“中科星图杯”高分遥感图像解译大赛"分割"赛道

2.  JMedSeg: Jittor医学图像智能分割模型库开源了！

3.  支持遥感图像了，Jittor开源物体检测算法库JDet

4.  计图发布Jrender 2.0，可微渲染再升级，NeRF应用两倍提速！

5.  计图团队首创三角网格面片上的卷积神经网络、图像上的网络架构可以做三维模型的深度学习了！

您可通过下方二维码，关注清华大学图形学实验室，了解计算机图形学、Jittor深度学习框架、CVMJ期刊和CVM会议的相关资讯。