|
同时，谈清扬同学还完成了另一篇第一作者论文，“Variational Autoencoders for Deforming 3D Mesh Models“，目前正在审稿中。此前，谈清扬作为国科大首批访学麻省理工学院本科生，共选修4门专业课，成绩均为A，平均绩点达到5.0（麻省理工学院的GPA为5分制）。2014年，谈清扬从江苏南京师范大学附属中学考入国科大。 AAAI是人工智能领域的顶级国际会议（CCF A类会议），每年吸引世界各国数千名学者共同探讨人工智能发展前沿。AAAI 2018将于2月2日-7日在美国新奥尔良（New Orleans, Louisiana, USA）召开。本届会议论文录取率低于25%。 下面简单介绍论文及实验结果。 摘要
在本文中，我们提出了一种全新的基于网格的自编码器架构，能够处理具有不规则拓扑的网格。我们在这个框架中引入了稀疏正则化，和卷积运算一起帮助定位变形。我们的框架能够从具有大规模变形的网格数据集中提取局部变形分量，并且对噪声具有鲁棒性。使用提取出的基础，这个框架还提供了一个非线性的方法来重建网格，比当前的线性组合方法更加有效。大量的实验表明，我们的方法在定性和定量评估方面均优于最先进的方法。 上图展示了使用模型生成不可见数据（unseen data）的错误率，使用的数据集是(a) SCAPE（Anguelov et al.2005）和(b) (c) Swing（Vlasic et al.2008）。从上图可见，论文提出的模型（较为深的蓝线）在数据集和指标方面均优于其他方法。 下面这张图展示了使用有限控制点重建SCAPE（Anguelov et al. 2005）和Swing（Vlasic et al. 2008）数据集中不可见数据的泛化误差。同样，较深的蓝色代表论文提出的方法，误差相对其他是最低的。 在下面的对比中，上面一行是通过物理模拟创建的一个旗帜数据集的关键帧。下行是两种方法提取前四个变形分量的结果对比，左边是论文提出的方法。 通过结合这四个组件（权重相同），得出合成结果（下排蓝色的图像），作者展示了使用他们的方法得出的结果更加合理（与上排最右边的结果相比）。
|
|
|
