日前，中國科學院大學計算機與控制學院首屆大學生談清揚同學，以第一作者身份撰寫的論文《Mesh-based Autoencoders for Localized Deformation Component Analysis》，被計算機科學領域人工智能頂級會議AAAI錄用，并将于2018年2月2日赴美作大會宣講。
該研究成果是談清揚同學在中國科學院大學博士生導師、中國科學院計算技術研究所夏時洪研究員上司的人體運動仿真課題組完成的。這是中國科學院大學首批大學生以第一作者身份在頂級國際學術會議發表論文，即便在美國麻省理工學院、普林斯頓大學等國際一流高校大學生中也屬相當難得。
談清揚同學參與了2016年度中國科學院大學生創新實踐訓練計劃項目——基于RGBD相機的人體運動捕獲，深入研究了其中的三維模型序列分析，具體由夏時洪研究員和高林副研究員指導完成。
三維模型序列分析在三維模型重建與模組化中起到關鍵的作用，而傳統的機器學習方法無法智能地對三維模型庫進行合理的分析。該研究工作使用一種新的神經網絡結構來對三維網格進行卷積操作，基于課題組前期研究的大尺度形變表示方法，通過在自編碼器的網絡節點上引入稀疏性限制來得到合理的局部的形變分量，進而可以幫助使用者更加精确的編輯模型和根據外部限制進行重建。
中國科學院大學計算機與控制學院首屆大學生談清揚同學
同時，談清揚同學還完成了另一篇第一作者論文，“Variational Autoencoders for Deforming 3D Mesh Models“，目前正在審稿中。此前，談清揚作為國科大首批訪學麻省理工學院大學生，共選修4門專業課，成績均為A，平均績點達到5.0（麻省理工學院的GPA為5分制）。2014年，談清揚從江蘇南京師範大學附屬中學考入國科大。
AAAI是人工智能領域的頂級國際會議（CCF A類會議），每年吸引世界各國數千名學者共同探讨人工智能發展前沿。AAAI 2018将于2月2日-7日在美國新奧爾良（New Orleans, Louisiana, USA）召開。本屆會議論文錄取率低于25%。
下面簡單介紹論文及實驗結果。
論文：用基于網格的自編碼器進行局部形變元件分析
摘要
空間局部變形元件對于3D幾何進行中的形狀分析和合成非常有用。最近研究人員已經提出了好幾種方法，旨在提取直覺、可解釋的變形部件。然而，這些技術存在重大局限（fundamental limitation），特别是對于具有噪聲或大規模變形的網格而言，而且這些方法有可能識别不出重要的變形分量。
在本文中，我們提出了一種全新的基于網格的自編碼器架構，能夠處理具有不規則拓撲的網格。我們在這個架構中引入了稀疏正則化，和卷積運算一起幫助定位變形。我們的架構能夠從具有大規模變形的網格資料集中提取局部變形分量，并且對噪聲具有魯棒性。使用提取出的基礎，這個架構還提供了一個非線性的方法來重建網格，比目前的線性組合方法更加有效。大量的實驗表明，我們的方法在定性和定量評估方面均優于最先進的方法。
上圖展示了使用模型生成不可見資料（unseen data）的錯誤率，使用的資料集是(a) SCAPE（Anguelov et al.2005）和(b) (c) Swing（Vlasic et al.2008）。從上圖可見，論文提出的模型（較為深的藍線）在資料集和名額方面均優于其他方法。
下面這張圖展示了使用有限控制點重建SCAPE（Anguelov et al. 2005）和Swing（Vlasic et al. 2008）資料集中不可見資料的泛化誤差。同樣，較深的藍色代表論文提出的方法，誤差相對其他是最低的。
在下面的對比中，上面一行是通過實體模拟建立的一個旗幟資料集的關鍵幀。下行是兩種方法提取前四個變形分量的結果對比，左邊是論文提出的方法。
通過結合這四個元件（權重相同），得出合成結果（下排藍色的圖像），作者展示了使用他們的方法得出的結果更加合理（與上排最右邊的結果相比）。
原文釋出時間為：2017-11-11
本文作者：聞菲
本文來自雲栖社群合作夥伴新智元，了解相關資訊可以關注“AI_era”微信公衆号