2020年8月14日-16日：CAD&CG2020线上会议即将启幕

特邀报告1：视觉智能的五个基本问题

报告摘要：近年AI热潮的形成动力之一，是图形识别水平的快速提升。视觉智能对AI很重要。进而分析视觉智能的五大基本问题，即视觉感知、视觉形象思维模拟、视觉知识表达、视觉知识的学习、跨媒体的多重知识表达。最后重点阐述视觉知识概念和命题，分析了它与迄今为止AI所用知识表达方法不同的特点，其中视觉概念具有典型(prototype)与范畴结构、层次结构与动作结构等要素。视觉概念能构成视觉命题，包括场景结构与动态结构，视觉命题能构成视觉述事。指出重构计算机图形学成果可实现视觉知识表达及其推理与操作，重构计算机视觉成果可实现视觉知识的学习。实现视觉知识表达、推理、学习和应用技术的研究是发展新的视觉智能的关键，也是促进AI2.0取得重要突破的关键技术。

嘉宾介绍：潘云鹤，中国工程院院士、浙江大学教授。原中国工程院常务副院长、浙江大学校长。兼任国务院学位委员会委员、国家教材委员会委员、国家新一代人工智能战略咨询委员会组长、中国人工智能产业发展联盟理事长、中国创新设计产业战略联盟理事长、中国发明协会理事长、中国战略性新兴产业发展专家咨询委员会副主任、中国图象图形学学会名誉理事长等职。

潘云鹤是中国智能CAD和计算机美术领域的开拓者之一。他长期从事人工智能、计算机图形学、CAD和工业设计的研究，在计算机美术、智能CAD、计算机辅助产品创新、虚拟现实和数字文物保护、数字图书馆、智能城市和知识中心等领域，承担过多个重要科研课题，创新性地提出跨媒体智能、数据海、智能图书馆、人工智能2.0、视觉知识等概念，发表多篇研究论文，取得了一系列重要研究成果，多次获得国家科技奖励。 

特邀报告2：深度学习框架“计图”的创新与探索

报告摘要：深度学习框架是现代人工智能算法开发和应用的基本支撑框架，自主可控的深度学习框架是推动中国人工智能更好发展的必然要求。国外主流深度学习框架基于开源开放的生态环境，已经构建起了完整的产业链和庞大用户群体。计图是国内首个由高校主导的开源深度学习框架。计图基于所提出的“统一计算图”，创新地使用了元算子融合和动态编译技术，目前在多种任务性能上超越国外主流平台。除此之外，计图框架还在易用性、灵活性以及模型算法覆盖度上做了大量改进，旨在降低用户学习成本，吸引更多用户，构建自己的开源深度学习生态。本报告拟介绍计图(Jittor)平台的整体架构和多项创新技术，分享计图框架的开源历程和发展思路，并探讨中国开源深度学习框架的未来发展。

嘉宾介绍：胡事民，CCF副理事长，清华大学计算机系教授，主要研究方向为计算机图形学、虚拟现实、智能信息处理和系统软件等。2002年获国家杰出青年基金资助，2007年入选教育部长江学者特聘教授，2013年入选国家“万人计划”科技领军人才，2016年起担任国家自然科学基金委创新研究群体学术带头人。在ACM TOG/SIGGRAPH、IEEE CVPR等重要刊物和国际会议上发表论文100余篇。现为中国计算机学会副理事长，并担任Computational Visual Media主编和CAD等多个期刊编委。

特邀报告3：可视化领域正在发生的变革

报告摘要：可视化领域历经30年的发展，技术日渐完善，应用日渐广泛。随着大数据和人工智能的崛起，可视化也成为大数据分析的代表性技术并在可解释性人工智能上有着重要的应用，涌现出来像Tableau和D3这样有代表性被广为使用的系统和工具。另一方面，可视化领域的发展也面临一些制约因素，比如领域顶会IEEE VIS的组织形式已经不适应领域的发展，可视化研究和工业界需求的脱节，可视化系统的开发缺乏严谨的流程以及质量控制， 以及整个领域的基础不够坚实。最近可视化领域正在发生的一些变革，带来了解决上面这些问题的希望。首先，IEEE VIS会议的组织形式会发生根本性的改变。目前三个子会(VAST， InfoVis, SciVis)会进行深度融合，打破人为进行的分割，IEEE VIS会变成真正意义上的一个会议而不是三个子会的联合。其次，经过大量的实践，领域积累了大量的数据，包括各种可视化设计和系统，以及终端用户使用这些系统的方式。这些大量的数据积累，加上最近成熟的深度学习等人工智能技术，为可视化系统的开发和使用带来革命性的变革，并有助于让整个领域变得更加严谨，基础更加坚实。尤其是可视化本身也越来越多的成为一种数据形态，更是带来全新的科研问题，为领域提供了新的发展机遇。最后，越来越多的公司开始探索使用可视化技术解决公司实际面临的问题，越来越多的可视化技术进行落地，可视化研究和工业界需求的鸿沟正在变小。讲者基于自己20多年的实践和对可视化领域的观察与思考，和听众分享这些正在发生的变革。

嘉宾介绍：屈华民现任香港科技大学计算机与工程系正教授及学校跨学科课程事务处主任。本科毕业于西安交通大学数学系，2004年于纽约州立大学石溪分校取得计算机博士学位。研究领域是数据可视化和人机交互，主要的研究方向是可解释性AI，智慧城市、社交网络分析、数位学习和文本的可视化。他已经发表200篇左右的学术论文， 其中大约60篇发表于可视化领域的顶级期刊《IEEE Transactions on Visualization and Computer Graphics (TVCG)》，是可视化领域最多产的学者之一。他三次出任可视化领域顶级会议IEEE VIS的论文共同主席，指导超过40个以上的博士生，所在团队参与了中国大陆和香港的很多重大研发项目包括国家973计划项目, 香港特别行政区政府主题研究计划(TRS),  香港特别行政区政府科技与创新项目(ITF), 以及香港特别行政区政府卓越学科领域计划 (AOE)等。 他的研究得过多项奖励，包括 10 项最佳论文奖 /荣誉提名奖，2009 IBM教师奖，国家教育部2014年度高等学校科学研究优秀成果奖科技进步二等奖，2015年度香港资讯及通讯科技奖，2015年APICTA亚太资讯及通讯科技大奖数位学习类优异奖，华为诺亚方舟实验室杰出合作者奖，CCF科学技术奖自然科学二等奖，AI 2000最具影响力学者奖等。他的实验室开发的技术和软件被30多家媒体报道过，包括NHK TV，MIT News，IEEE Spectrum， Guardian，techinAsia，香港的明报，大公报，文汇报， Southern China Morning Post （南华早报）等。

特邀报告4：Deep Learning for Graphics - A personal perspective

报告摘要：Starting from the success of AlexNet in 2012, deep neural networks have taken over the field of computer vision by storm. In contrast, the adoption of deep learning machinery by the Computer Graphics community has been much slower. Nevertheless, today deep networks can be found in all the major areas of Computer Graphics, including first and foremost image and video processing, but also animation, rendering, and 3D modeling.

In this talk, I will give a brief overview of my personal perspective of this trend, focusing on several exciting advances ranging from texture and image synthesis to motion style transfer for articulated characters. All of these results are enabled by the use of deep networks, demonstrating their potential for graphics, which the community has only begun to explore.

嘉宾介绍：Dani Lischinski is a Professor at the School of Computer Science and Engineering at the Hebrew University of Jerusalem, Israel. He received his PhD from Cornell University in 1994, and was a post-doctoral research associate at the University of Washington until 1996. In 2002/3, he spent a sabbatical year at Pixar Animation Studios. In 2012 he received the Eurographics Outstanding Technical Contributions Award. In 2017, he served as the Technical Papers Chair for SIGGRAPH Asia 2017. His areas of interest span a wide variety of topics in the fields of computer graphics, image and video processing, and computer vision.  Most of his recent work involves deep neural networks and their applications in graphics and vision.