GDC 2021成功举办计图与深度几何学习的会前课程

2021年10月9日下午，第十三届全国几何设计与计算学术会议(GDC 2021)在长沙湖南宾馆举行。在当天下午的会前课程中，多位讲者依次围绕“深度几何学习和基于计图的实现”进行了课程报告，众多专家和学生参与该课程并进行了深入的学术讨论。

图1 “深度几何学习和基于计图实现”的课程现场

一、五场报告精彩纷呈

首先是来自清华大学的助理研究员、计图框架核心成员梁盾博士，他主要介绍了计图(Jittor)框架的工作和特性。梁博士先总结了国内外主流的深度学习框架，然后阐述了Jittor的两大特性——元算子融合和统一计算图，最后介绍了Jittor团队为社区提供了主流的深度网络库，包括GAN模型库，实例分割库，可微渲染库等。

图2 梁盾进行“国产深度学习平台计图的介绍和实践入门”的课程报告

然后是来自清华大学的计图框架成员国孟昊博士生，他主要介绍了PCT(Point Cloud Transformer)结构，他的报告题目是《基于计图的点云深度学习》。国孟昊先介绍了点云处理的难点，然后总结了当前主流的五大点云学习网络，并进一步介绍了基于计图研发的点云Transformer网络结构和自监督学习PointContrast方法，最后对未来研究方向进行了展望。

图3 国孟昊进行“基于计图的点云深度学习”的课程报告

第三位是来自清华大学的刘政宁博士生，他主要介绍了基于网格的细分卷积网络，他的报告题目是《Subdivision-based Mesh Convolutional Networks》。刘政宁首先介绍了三角网格上的深度学习在众多领域的应用，然后讲解了现有的网格学习方法及其局限性，并进一步提出了基于细分的网格卷积网络SubdivNet与其Jittor实现。

图4 刘政宁进行“基于细分的网格卷积网络”的课程报告

第四位是来自中国科学院计算技术研究所的张凌霄工程师，他主要介绍了深度学习在几何变形方面的应用，他的报告题目是《几何变形深度学习和计图实践》。张工程师首先总结了近几年几何变形的前沿技术，然后讲解了ACAP(As-consistent-as-possible)特征的使用、结合频域图卷积的变分自编码器(VAE)等算法，并在最后展示了这些算法在Jittor上的实践。

图5 张凌霄进行“几何变形深度学习和计图实践”的课程报告

最后是来自中国科学院计算技术研究所的高林副研究员，他主要介绍了多种网格生成算法，他的报告题目是《基于计图实现的多模态网格生成模型》。高老师首先介绍了几何生成模型的挑战和传统模型，然后提出了针对结构化可形变的网格深度生成网络SDM-NET、三维模型的对称检测网络PRS-Net等模型以及它们基于Jittor的实现。最后，高老师对三维模型上的学习算法发展进行了展望。