SIGGRAPH 2017：深度学习与计算机图形学的碰撞

每年由美国计算机协会（Association of Computing Machinery，简称ACM）计算机图形专业组举办的年会SIGGRAPH，是全球最负盛名的图形学和交互技术盛会。今年已经是这场图形学盛宴的第四十四届，本届大会于7月30日至8月3日在美国洛杉矶举行。

作为著名的好莱坞所在地，洛杉矶聚集了大量影视特效等工业界的从业人员，而SIGGRAPH正是工业界展示自己炫酷技术，以及和学术界交流的一个绝佳平台，所以SIGGRAPH组委会多次选择洛杉矶作为大会举办地。 

除了像其它学术会议一样的学术界论文报告与交流之外，SIGGRAPH大会上各种应接不暇的新鲜技术展示、工业界各大公司五花八门的展览会、以及艺术家们展现自己最新创作成果的动画汇演都吸引着无数参会者的目光。SIGGRAPH会场的热闹程度堪比各种大型的博览会。

深度学习邂逅图形学

本届大会上，令我印象最深刻的是会议第一天的主旨演讲环节，大会邀请到了迪士尼第一位非洲裔动画师Floyd Norman，以谈话的形式，讲述了他如何走上这条道路，以及自身成长的故事。Floyd还分享了自己对动画这一领域的独到见解。这场主旨演讲除了在会场最大的报告厅进行外，会展厅的入口大厅处也摆放了现场直播的大屏幕，而在大屏幕前，很多志愿者、参观者、学术界的教授席地而坐，专心聆听动画大师的分享。

在这样一个图形学盛会上自然少不了学术界的最新研究成果。对于图形学领域的研究者来说，SIGGRAPH无疑是一个最顶级的发表和交流自己学术成果的舞台，能够在SIGGRAPH上发表论文，就意味着自己的研究成果得到了国际同行的最大肯定。

今年学术报告一个很大的趋势便是深度学习技术在图形学领域开始生根发芽，有很多的论文试图探索利用深度学习技术解决传统的图形学问题——在真实感渲染、表观建模、几何建模与分析等领域都有一些不错的尝试。除了论文的口头报告，在SIGGRAPH大会举办的众多讲座和课程上，我们也能看到许多与深度学习相关的话题。由此可见，如何更加有效地将深度学习与计算机图形学相结合，在近一段时间内仍然将成为图形学学术研究的一大热点。

本次大会上，微软亚洲研究院共有四篇论文被接收。在这些研究中，我们对于如何利用深度学习技术求解图形学领域的待解难题，也进行了新颖的尝试。

其中，我有幸与微软亚洲研究院的研究员们一起，在表观建模方向上结合深度学习技术进行了一些探索。“Modeling Surface Appearance from a Single Photograph using Self-Augmented Convolutional Neural Networks”就是我们发表于今年大会的论文。

材质的表观精确地刻画了给定材质表面的纹理颜色，以及它的反射、折射等属性，这是对物体进行真实化渲染的重要参数，也是数字化重建的重要步骤之一。在这篇论文中，我们首次尝试利用深度学习技术，仅通过一张未知光照条件下拍摄的平面材质照片，就可以恢复出该材质的表观纹理模型。

这其中最大的难点在于监督数据的严重缺乏。对于表观建模而言，监督数据意味着一张给定的照片及它对应的表观纹理参数。而表观纹理参数的获得目前还是一个很复杂的过程，需要复杂的采集设备和长时间的采集，或是艺术家复杂的交互建模。为了解决这个问题，我们提出了一种全新的自增强神经网络的训练方法，这种方法把真实感渲染这一表观建模的逆映射引入到了训练流程中，使得我们可以使用大量的无标注数据，即平面纹理材质的照片，结合少量的标注数据一起对网络进行训练，从而得到和艺术家人工标注结果相近的表观预测结果。

此外，微软亚洲研究院也在本次大会上介绍了其他的图形学最新研究成果，包括基于八叉树的深度卷积神经网络，可有效的将传统面向图像的卷积神经网络推广到三维空间中；基于深度图像类比的风格转换，可以实现具有语义属性的图像风格迁移；以及交互式的草图建模，可实现对自由曲面的快速造型等。

转自：微软研究院AI头条