讲者：汪云海

报告题目：可视化自动化设计 

报告摘要：

数据图形通过把复杂抽象的数据转化为形象直观的图形，使得用户以视觉理解的方式 探索数据、发现数据中隐含的规律，能有效提升大数据综合分析能力与智能决策水平。然而，面对数据维度高、规模大、类型多等挑战，智能化、自动化生成有效的数据图形一直是可视化领域的研究热点。讲者近年来一直围绕自动可视化和声明式可视化编程语言开展研究，为不同类型数据设计了一系列自动可视化算法并构建了动画可视化的编程语言Canis与低代码开发平台 CAST。在这一报告中，讲者将分享最近的一些相关工作。

讲者简介：

汪云海是山东大学计算机科学与技术学院教授，教育部青年长江学者，院长助理。2011年于中国科学院计算机网络信息中心获得博士学位。研究方向为数据可视化与交互式数据分析，主要关注任务驱动的自动可视化、可视化编程语言设计以及大规模科学数据可视化等方面的研究，在ACM TOG、IEEE TVCG、ACM SIGGRAPH (Asia)、IEEE VIS、NIPS 等国际顶级期刊及会议发表论文50余篇。担任可视化领域主流会议 IEEEVIS、EuroVis、PacificVis等国际会议的程序委员。曾获山东省自然科学一等奖、陆增镛CAD&CG高科技奖二等奖、ACM CHI 2021最佳论文提名奖、山东省优秀学位论文指导教师等奖项。

讲者：巫英才

报告题目：面向城市选址与规划的智能可视分析

报告摘要：

随着城市化的高速发展，城市所产生的数据呈现爆炸性增长的趋势，产生了城市大数据，对这种数据进行有效的分析可以使得城市关键设施的选址和规划更为科学与合理，有着非常广阔的商业场景、研究价值和应用的前景。本报告首先介绍数据驱动的城市选址与规划的 研究背景，国内外的最新进展及其未来的展望，最后介绍住房选址与公交车线路规划等多个案例。

讲者简介：

巫英才是浙江大学长聘教授，浙江大学计算机学院副院长，中国图象图形学学会人机交互专委会副主任，入选国家海外高层次人才引进计划。他的主要研究方向是大数据智能、信息可视化、可视分析和人机交互，最近聚焦于城市大数据和体育大数据的可视分析研究，成果应用于京东、阿里巴巴等公司的智慧城市方面的重要业务，并构建了乒乓球国家队的乒乓球大数据平台。他在IEEE VIS、ACM CHI、IEEE TVCG 等会议和期刊上发表学术论文80余篇，多次获得国际权威/知名学术会议的最佳论文奖和最佳论文提名，其中2篇论文分别在 2009 和 2014 年 IEEE VIS 上获得最佳论文提名，2 篇论文分别在2016和2021年的 IEEE Pacific Visualization 获得了最佳论文提名，1 篇论文在 2021 年的 Computational Visual Media 上获得最佳论文奖。主持多项国家自然科学基金项目，以及科技部重点专项课题 1 项和浙江省自然科学基金杰出青年科学项目 1 项。他是 IEEE Pacific Visualization 2017、 ChinaVis 2016 和 2017 等的论文主席、IEEE VIS 2021 的研讨会主席。详情请见 www.ycwu.or

讲者：曹楠

报告题目：数据驱动下的智能辅助设计

报告摘要：

创新设计是指充分发挥设计者的创造力，利用人类已有的相关科技成果进行创新构思，设计出具有科学性、创造性、新颖性及实用成果性的一种实践活动。如今设计创新已经成为驱动社会发展经济转型的又一原动力。尽管非常重要，但是设计学本身仍然停留在工艺美术的水平，缺少智能化的手段、方法、与技术。同济大学智能大数据可视化实验室（iDVX Lab )，围绕智能辅助设计，在视觉传达设计领域做出了一系列大胆的技术尝试，并开发出一系列智能辅助系统原型。在本报告中，我们将介绍 IDVX 实验室近些年来在该领域的工作。

讲者简介：

曹楠是同济大学长聘轨正教授，博士生导师，同济大学设计创意学院院长助理，同济大学智能大数据可视化实验室主任，曾入选国家高层次人才引进计划。曹楠毕业自香港科技大学，获得计算机博士学位。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研究部门工作的近十年中，曾获得IBM杰出技术成就奖、IBM杰出研究成就奖、以及多项IBM创新成就奖。曹楠主要研究方向是智能设计与大数据可视化，累计在可视化领域的重要国际学术期刊及会议上发表论文90余篇（包括 40 篇 CCF-A 类论文），申请专利近40余项。曾获得ACM智能用户界面国际大会（ACM IUI）最佳论文奖、IEEE 国际可视化分析大会（IEEE VAST 2014）最佳论文提名奖。曾获得 “微软最有价值专家”称号，“ACM上海新星奖”，以及香港科技大学工学院“杰出博士研究奖”。他是 SCI 期刊Computer Science Review在亚洲地区的唯一编委，IEEE PacificVis 2021会议论文主席，ChinaVis 2018-2019 会议论文主席， IEEE InfoVis，VAST，EuroVis、AAAI、IJCAI、等可视化、人工智能、及数据挖掘领域诸多顶级国际学术会议的程序委员会委员，以及重要学术期刊（例如，IEEE TVCG，IEEE TMM， ACM TIIS，ACM TIST）的客座编委。

讲者：陶钧

报告题目：流线表示方法及可视化 

报告摘要：

流场可视化中，流线是描述流场形态及特征等信息的最常用表现形式。对流线的分析能有效地分离不同类型的流态及特征，从而帮助科学家理解流场并研究其形态特征与特定物理现象之间的联系。传统的流态分析方法基于采样点度量流线之间的距离，从而区分不同流态；而 基于深度学习的自编码器则为流态分析与表示提供了新的思路。此报告将从不同表示所提供的流线信息及其支持的分析与交互出发，探讨在深度学习时代的科学数据表示与可视分析手段之间的联系。

讲者简介：

陶钧，中山大学计算机学院及国家超级计算广州中心副教授，博士生导师。于2015年获得密歇根理工大学计算机科学专业哲学博士学位，2015至2018年于圣母大学任博士后研究员。其主要研究方向包括：科学可视化，尤其是信息论，优化方法，深度学习及交互探索方法在流场可视化方面的应用。

讲者：李权

报告题目：智能可视分析与社会价值创新

报告摘要：

在此次报告中，我将分享如何将智能可视分析技术用于智慧城市异常检测和协同干预的案例，探索可视分析技术在真实场景中的应用及其公益性落地。首先，我将分享如何将可视分析技术应用于重大灾难中的人群的疏散，协助城市规划人员分析理解疏散行为及分析影响因素，从而优化体育场等人口密集场所安全路线，以及城市规划的应急避难疏散场所配套设置。其次，我将针对在智慧体育赛事场景下传统仪表盘可视化无法及时有效发现大量实时异构的运动生理数据中潜在的医疗事故，从而及时进行协同干预的难题，创新性地融入了AI技术，包括实时及阶段性异常检测，并针对异常事件计算最优的拍摄路线及角度，打造了一个自动实时的城市马拉松可视化及协同干预系统，以确保能够有效应对突发的医疗救援需求。它不仅实现了赛事数据的实时监控和可视化汇总，还能利用 AI 模型对赛事数据进行有效的异常预测，并对异常事件计算得出最优拍摄路径，辅助赛事组委会优化无人机、救护车及救援人员等医疗救助资源调配。一方面可以让伤员得到及时有效的救助，另一方面也能提高赛事组织及协调效率。

讲者简介：

李权，上海科技大学信息科学与技术学院助理教授（终身教授序列）、研究员、博士生导师。他于2019 年博士毕业于香港科技大学计算机科学与工程学系。他曾任职于微众银行人工智能部高级研究员，从事人工智能及可视分析、可解释性机器学习以及人机交互技术的研究，并开展相关技术在金融风控、智慧零售、智慧城市、社交网络、在线游戏等领域的广泛应用与落地。读博期间，曾获得港科大工学院 PhD Fellowship 及 Top RPG (Research Post-Graduate) 荣誉。任中国图像图形学学 会可视化与可视分析专委会委员，IEEE VIS Paper程序委员会委员、ChinaVis论文国际程序委员会委员、IEEE VIS, EuroVis, PacificVis, ChinaVis, ACM CHI/CSCW及TVCG 等顶级学术会议期刊审稿人。他曾任美国佐治亚理工学院计算机科学与工程学院的访问研究员及网易游戏资深研究员。他的学术成果发表在IEEE VIS, EuroVis, IEEE PacificVis, ACM CHI, CGF, TVCG 等可视化及人机交互顶级期刊和会议。详情见：https://thinkavatar.github.io/

讲者：周志光

报告题目：大规模点数据简化表达与可视分析 

报告摘要：

点数据是常见的数据结构形式，如传感器采集的地理空间点数据、网络图布局中的节点 数据等。散点图是点数据可视化的有效方法，位置、大小、颜色等视觉元素常用于映射点数据的结构和属性等信息。随着点数据规模的增加，大量视觉元素密集分布，重叠和覆盖，干扰人眼视觉感知，妨碍大规模点数据特征的探索和挖掘。采样是简化大规模点数据表达的有效方法，通过筛选点数据子集，在降低视觉混淆的基础上，近似地表达原始大规模点数据。传统的采样算法主要侧重于保持点数据的空间分布特征，忽视点数据内在的结构和属性关联特征，容易导致采样结果分析的不确定性。本报告以大规模点数据简化表达与可视分析为主题，总结和介绍近年来 IEEE VIS 会议上报告的有关结构和属性关联特征保持的点数据采样方法、有效性评估及其具体应用场景，并对大规模点数据采样的未来发展趋势进行展望和分析。

讲者简介：

周志光，浙江财经大学信息管理与人工智能学院教授，人工智能与大数据可视分析创新研究团队负责人，2013 年毕业于浙江大学 CAD&CG 国家重点实验室，获得计算机科学与技术专业博士学位，2015年在香港科技大学计算机科学与工程系访问学习。主要从事大数据可视化与可视分析研究，具体包括：大数据简化表达与可视分析、地理空间关联建模与可视分析、经济统计数据可视化与可视分析等，主持国家自然科学基金2项，省部级项目6项，以第一或通讯作者身份发表高水平期刊和会议论文30余篇，其中3篇被 IEEE VIS、IEEE TVCG 等顶级国际可视化会议及期刊发表。担任多个会议的组织委员会和程序委员会成员，包括 CAD&CG 2020 程序委员会委员，ChinaVis 2020宣传委员会 委员等。担任 IEEE VIS、EuroVIS、PacificVIS, TVCG、计算机学报、CAD学报、中国图象图形学报 等多个期刊和会议审稿人。入选浙江省高校领军人才培养计划—高层次拔尖人才、浙江省院士结对培养青年英才计划、浙江财经大学杰出中青年、优秀青年教师支持计划。曾获陆增镛 CAD&CG 高科技三等奖、以核心成员身份参与获得浙江省科学技术进步三等奖。

讲者：陈思明

报告题目：面向人文社会科学数据的智能可视分析

报告摘要：

讲者简介：

讲者：戴玉超

报告题目：两视图结构与恢复问题的深度再思考

报告摘要：

讲者简介：

讲者：韩晓光

报告题目：Refer-it-in-RGBD: A Bottom-up Approach for 3D Visual Grounding in RGBD Images

报告摘要：

讲者简介：

讲者：崔兆鹏

报告题目：基于几何约束的三维深度学习

报告摘要：

讲者简介：

讲者：高林

报告题目：基于深度几何学习的网格模型合成方法研究

报告摘要：

深度几何学习成为近期的研究热点并被广泛用于分析和生成各种几何模型，几何模型分为静态模型和动态模型，针对静态的人造几何模型的建模，我们研发一种深度生成模型DSG-Net对几何模型的细节和拓扑结构进行编码与解耦，并设计了一种分层递归的方式来编码几何细节和拓扑结构。进一步，我们引入了通讯机制，在解耦的同时保持几何细节和拓扑结构生成的兼容性。基于上述设计，DSG-Net可以用于进行几何细节和拓扑结构可控的高质量几何模型的生成和建模。针对动态的薄壳模型合成，我们重点研究了布料模型的动态细节增强方法。将布料仿真建模成几何变形问题，构建时空尽可能一致变形特征TS-ACAP来表示大尺度变形，通过研发一种变形时序网络DeformTransformer来学习高分辨率模型和低分辨率模型的时序性映射，解决合成动画细节不丰富、时序不稳定等问题。

讲者简介：

高林，现任中科院计算所博士生导师\副研究员, 研究方向为智能计算机图形学、深度几何学习等。他于清华大学毕业，获得工学博士学位（导师：胡事民教授），曾在德国亚琛工业大学进行公派访问研究（合作导师：Leif Kobbelt 教授）。系列成果发表在国际知名期刊会议ACM SIGGRAPH\TOG、IEEE TVCG、CVPR、ICCV上。这些研究成果被包括图灵奖得主在内的国内外知名学者正面评价和引用。他获得亚洲图形青年学者奖（每年亚洲仅一名获奖者）、中国计算机学会科学技术奖技术发明一等奖、CCF-腾讯犀牛鸟基金卓越奖、中科院计算所卓越之星奖、图形开源奖等奖励，并入选英国皇家学会牛顿高级学者、中科院青促会、中国科协青年人才托举工程等。

讲者：王鹏帅

报告题目：用于三维形状分析的无监督预训练

报告摘要：

三维深度学习在各种形状分析任务中（比如形状分类、分割和配准等）都取得了很好的结果。这一成果除了依赖于研究人员为各个任务设计的网络结构之外，还依赖于大量的数据标注。 在自然语言理解以及计算机视觉领域里，研究人员可以在一个大规模的、无标注的数据集上，对一个通用的网络结构（比如Transformer和ResNet）进行预训练，然后再在各个下游任务中利用少量的有标注数据进行“微调”就能取得很好的结果。那么在3D形状分析任务中，能否也采用这样一个 “无监督预训练+微调”的流程实现同样的效果呢？ 本次报告中，我将和大家分享三维无监督预训练的相关内容。具体而言，我们为三维形状分析任务提出了一个通用的骨干网络，该网络可以同时提取三维形状的多尺度特征，包括全局特征和逐点特征；我们也提出了一种无监督预训练的方法，经过预训练之后，我们的网络可以连接简单的后端网络在不同的下游任务下进行微调。我们在形状分类、分割和配准任务上评估了我们的方法。相对于已有的算法，我们的方法能取得最佳性能。

讲者简介：

王鹏帅，现为微软亚洲研究院研究员，2018年7月于清华大学高等研究院获工学博士学位，研究方向为计算机图形学、基于数据驱动的三维几何的处理与分析，在图形学顶级会议SIGGRAPH（ASIA）上发表多篇高水平论文。曾多次获得清华大学奖学金、博士研究生国家奖学金，并于2018年获得北京市优秀博士毕业生荣誉称号。

讲者：贾奎

报告题目：Modeling, Learning, and Meshing from Deep Implicit Surface Networks

报告摘要：

The recent advance of geometric shape modeling has largely been driven by learning deep models from training priors in an implicit and local manner. In this talk, we present our recent progress along this line in terms of modeling, learning, and meshing from deep implicit surface networks. We will first introduce our recent result of exactly meshing from implicit surface networks using a novel proposal of Analytic Marching; meshing performance of analytic marching is theoretically guaranteed and upper-bounds those obtained by, e.g., marching cubes. We will then introduce a new shape modeling strategy termed SAIL-S3; SAIL-S3 leverages two innovations of sign-agnostic learning and surface self-similarities; consequently, it can successfully reconstruct object or scene surface from the observed, unoriented point cloud itself. We finally introduce a new learning pipeline that bridges deep learning geometric priors with optimized surface fitting; the new pipeline fills the gap between the seemingly different worlds of traditional surface modeling/fitting and geometric deep learning, showing new promise in the future research of geometry plus learning. 

讲者简介：

贾奎，华南理工大学教授，广东省“珠江人才计划”创新创业团队带头人。曾先后于中科院深圳先进技术研究院、香港中文大学、伊利诺伊大学香槟分校先进数字科学研究中心、及澳门大学从事教学和科研工作。研究领域包括计算机视觉、机器学习、模式识别等，近年来主要侧重于深度学习的基础理论和优化算法研究，及其在二维流形、离散点云等非欧数据上的应用。成果发表于TPAMI/CVPR/ICML/NeurIPS等顶级期刊和会议，入围CVPR最佳论文候选，获ICDP2005最佳论文奖。担任TIP等期刊副主编及NeurIPS等会议领域主席。

讲者：王贝贝

报告题目： 微结构材质高效渲染方法研究

报告摘要：

现实世界中的材质通常包括了很多的细节，比如茶壶上的划痕、雪地上的亮片等。这些细节对于真实感至关重要。 这些复杂材质的渲染依赖于高精度法向贴图，导致了存储占用过大，针对该问题我们提出了一种过程式的法向贴图生成方法，使得了微结构模型的存储达到恒定。此外，当在间接光照或者远视角情况下，每个像素覆盖范围变大，导致了渲染时间大大增加，针对该问题，我们进一步提出了基于张量分解的法向分布函数预计算方法，使得渲染时间上达到恒定。最后，我们提出了纯镜面间的光线传递，通过路径切和区间算数的方法来高效计算纯镜面之间的多次弹射，该方法可以用于微结构表面间的多次反射。

讲者简介：

王贝贝，南京理工大学，副教授，硕士生导师，中国计算机学会CAD&CG专委会委员。主要研究方向是计算机图形学渲染方向，包括了全局光照算法、参与性介质光线传递和复杂材质模型等。王贝贝分别于2009年、2014年在山东大学获得学士、博士学位，期间在巴黎高科进行两年联合培养。2015年在英国游戏公司Studio Gobo参与Disney游戏Infinity 3的研发。2015年底到2017年初，在INRIA（法国信息与自动化研究所）从事博士后研究。2017年2月加入到南京理工大学。共发表高水平论文30余篇，其中以第一作者在ACM TOG, IEEE TVCG, CGF上发表论文十余篇。EGSR 2021, HPG 2021程序委员会委员。 ACM TOG, Siggraph Asia, EG 等期刊会议审稿人。

讲者：过洁

报告题目： 基于深度学习的梯度域渲染图像去噪

报告摘要：

蒙特卡洛渲染具有较强的灵活性和泛化性，但通常面临高方差及收敛慢的问题。梯度域渲染通过额外的梯度域采样以及图像空间的泊松重构来提高收敛速度。为了提升重构的性能，我们提出了一种基于深度自编码器的泊松重构求解器。该自编码器使用带有噪声的原始域图像和梯度域图像进行端到端的训练，从而学习如何重构高质量的图像。训练好的网络可以快速重构图像并且不需要人工调整参数。由于准备参考图像数据集比较困难，本方法完全以无监督的方式训练，其损失函数被定义为一个能量函数，包含数据保真项和梯度保真项。为了进一步减少重构图像的噪声，我们利用场景辅助特征构建了一个正则化项，并使用它约束重构过程。大量的实验验证了该重构方法的有效性，且其重构时间在最近的显卡上远小于一秒。

讲者简介：

过洁，南京大学计算机科学与技术系特任副研究员，目前主要研究方向为真实感绘制、实时绘制、复杂材质分析建模以及虚拟现实技术等。2013年毕业于南京大学，获得博士学位。2012-2013年在微软亚洲研究院网络图形组实习。发表学术论文40余篇，包括计算机图形学领域顶级会议/期刊ACM SIGGRAPH/SIGGRAPH ASIA、IEEE TVCG，视觉领域顶级会议CVPR、ECCV 等。

讲者：霍宇驰

报告题目： 深度绘制中的强化学习和流形学习

报告摘要：

深度学习与传统绘制问题的交叉促进了深度绘制（Deep Rendering）这一研究问题的兴起，期望通过神经网络去加速光能仿真过程中一些非常困难计算，在保证高保真质量的前提下大大降低计算复杂度。目前主流的深度绘制研究主要基于CNN网络，对问题的建模停留在图像域的回归问题，无法利用光能传播过程的高维空间信息，限制了其绘制精度的进一步提升。我们先后引入了全新的强化学习和流形学习深度绘制框架，用于基础的蒙托卡洛采样和滤波重建等问题，在绘制精度上分别获得了超过1个量级和50%的提升，将深度绘制的问题域扩展到了高维空间。

讲者简介：

霍宇驰， 浙江大学“百人计划”研究员，主要研究方向包括计算机图形学的深度绘制，计算机视觉的神经绘制，和计算光学的光学神经网络。2017在浙江大学获得博士学位后，前往韩国KAIST从事博后工作，现任研究助理教，将于近期回国。有十数篇成果发表在SIGGRAPH、CVPR、TVCG、CGF等图形学和视觉重要国际期刊会议上，并发表过CVPR Oral和TOG期刊封面文章。