SIGGRAPH作為計(jì)算機(jī)圖形界(也包括圖像)最頂級(jí)的會(huì)議，是全世界的圖形學(xué)者公認(rèn)的最高端的會(huì)議，代表了計(jì)算機(jī)圖形學(xué)的最高水平，素有計(jì)算機(jī)圖形圖像研究領(lǐng)域“奧斯卡”之稱。

與CVPR、ACL一樣，SIGGRAPH也于近日公布了獲獎(jiǎng)?wù)撐?，讓我們?lái)看看都有哪些高質(zhì)量作品吧！

CVPR獲獎(jiǎng)?wù)撐脑谶@：CVPR 近5年最佳論文全盤點(diǎn)?。ê?023最新）?

ACL獲獎(jiǎng)?wù)撐脑谶@：70+篇ACL 2023最新獲獎(jiǎng)?wù)撐恼砗昧?，免費(fèi)速領(lǐng)?

最佳論文

1.Split-Lohmann Multifocal Displays

標(biāo)題：Split-Lohmann 多焦面顯示器

貢獻(xiàn)：本文提出一種近視3D顯示設(shè)備，它能夠即時(shí)生成逼真的虛擬環(huán)境，充分發(fā)揮人眼自由適應(yīng)不同距離目標(biāo)的本能機(jī)能，讓用戶可以達(dá)到前所未有的身臨其境，享受3D影像和互動(dòng)游戲。

2.Differentiable Stripe Patterns for Inverse Design of Structured Surfaces

標(biāo)題：可微分條紋圖案的逆向設(shè)計(jì)用于結(jié)構(gòu)化表面

貢獻(xiàn)：本文提出了一種可微分條紋圖案設(shè)計(jì)方法，用于自動(dòng)設(shè)計(jì)具有雙材質(zhì)條紋分布的物理表面，以控制結(jié)構(gòu)材料的力學(xué)性能。該方法基于Kn?ppel等人的工作，生成全局連續(xù)且等間距的條紋圖案。為了發(fā)揮這種設(shè)計(jì)空間的全部潛力，本文提出了一種基于梯度的優(yōu)化工具，自動(dòng)計(jì)算最適合逼近宏觀力學(xué)性能目標(biāo)的條紋圖案。

具體而言，本文將實(shí)體殼有限元與XFEM相結(jié)合，提出了一種準(zhǔn)確且完全可微分的彈性雙材質(zhì)表面建模方法。為解決原方法中的非唯一性問題，本文還提出了一種穩(wěn)健的表述，生成唯一且可微分的條紋圖案。將這些組件與平衡狀態(tài)導(dǎo)數(shù)相結(jié)合，構(gòu)建了一個(gè)端到端的可微分管道。

3.Globally Consistent Normal Orientation for Point Clouds by Regularizing the Winding-number Field

標(biāo)題：通過(guò)正則化繞數(shù)場(chǎng)實(shí)現(xiàn)點(diǎn)云的全局一致法線定向

內(nèi)容：本文提出了一個(gè)平滑的目標(biāo)函數(shù)來(lái)描述可接受的繞數(shù)場(chǎng)的要求，這使得可以從一組完全隨機(jī)的法線出發(fā)找到全局一致的法線定向。通過(guò)考慮點(diǎn)云Voronoi圖的頂點(diǎn)作為檢查點(diǎn)，本文考慮了以下三個(gè)要求：

1. 每個(gè)檢查點(diǎn)的繞數(shù)應(yīng)接近整數(shù)值。

2. 相鄰檢查點(diǎn)之間的繞數(shù)變化應(yīng)當(dāng)平滑連續(xù)。

3. 檢查點(diǎn)的繞數(shù)場(chǎng)應(yīng)當(dāng)符合點(diǎn)云幾何形狀。

通過(guò)最小化提出的目標(biāo)函數(shù)，可以從初始隨機(jī)猜測(cè)出發(fā)迭代地優(yōu)化法線定向，以獲得全局一致的結(jié)果。該方法可以有效處理數(shù)據(jù)稀疏和存在空洞的情況。

4.3D Gaussian Splatting for Real-time Radiance Field Rendering

標(biāo)題：用于實(shí)時(shí)輻射場(chǎng)渲染的3D高斯斑點(diǎn)

內(nèi)容：對(duì)于無(wú)界和完整的場(chǎng)景(而不是隔離的對(duì)象)以及1080p分辨率的渲染，當(dāng)前沒有方法可以實(shí)現(xiàn)實(shí)時(shí)顯示速率。作者引入了三個(gè)關(guān)鍵元素，可以達(dá)到最先進(jìn)的視覺質(zhì)量，同時(shí)保持有競(jìng)爭(zhēng)力的訓(xùn)練時(shí)間，更重要的是允許1080p分辨率下高質(zhì)量的實(shí)時(shí)(≥ 30 fps)新視角合成。

首先，從相機(jī)標(biāo)定期間產(chǎn)生的稀疏點(diǎn)開始，作者用保留連續(xù)體輻射場(chǎng)所需的理想屬性的3D高斯分布表示場(chǎng)景，同時(shí)避免在空間中進(jìn)行不必要的計(jì)算；其次，作者對(duì)3D高斯分布進(jìn)行交錯(cuò)優(yōu)化/密度控制，顯著優(yōu)化各向異性協(xié)方差以準(zhǔn)確表示場(chǎng)景；第三，作者開發(fā)了一種快速的可見性感知渲染算法，支持各向異性的splatting，既加速了訓(xùn)練又允許實(shí)時(shí)渲染。

5.DOC: Differentiable Optimal Control for Retargeting Motions Onto Legged Robots

標(biāo)題：DOC: 用于重定向運(yùn)動(dòng)到多足機(jī)器人的可微分最佳控制

內(nèi)容：這項(xiàng)研究提出了一個(gè)可微分最佳控制框架（DOC），可以計(jì)算關(guān)于用戶定義參數(shù)的最佳控制和狀態(tài)軌跡的解析導(dǎo)數(shù)。研究人員通過(guò)將人體動(dòng)作捕捉和動(dòng)畫數(shù)據(jù)重新定位到一系列不同比例和質(zhì)量分布的足式機(jī)器人上，驗(yàn)證了該框架的效用。該框架有助于參數(shù)化最佳控制問題，并可用于機(jī)器人設(shè)計(jì)和控制合成。

掃碼添加小享，回復(fù)“SIGGRAPH”

免費(fèi)獲取全部頂會(huì)獲獎(jiǎng)?wù)撐?/strong>

榮譽(yù)提名

1.GestureDiffuCLIP: Gesture Diffusion Model With CLIP Latents

這項(xiàng)工作提出了GestureDiffuCLIP，一個(gè)用于合成逼真、具有靈活風(fēng)格控制的配音手勢(shì)的神經(jīng)網(wǎng)絡(luò)框架。該方法利用大規(guī)模對(duì)比學(xué)習(xí)語(yǔ)言圖像預(yù)訓(xùn)練(CLIP)模型的力量，提出了一種新穎的CLIP指導(dǎo)機(jī)制，可以從多種輸入模式(如文本、示例動(dòng)作剪輯或視頻)中提取有效的風(fēng)格表示。

2.Word-as-image for Semantic Typography

作者提出了一種自動(dòng)創(chuàng)建word-as-image插圖的方法。這個(gè)任務(wù)極具挑戰(zhàn)性，因?yàn)樗枰Z(yǔ)義地理解單詞，并創(chuàng)造性地決定在何處以何種方式以富有美感和可讀的方式描繪這些語(yǔ)義。

3.Sag-Free Initialization for Strand-Based Hybrid Hair Simulation

在本文中，作者提出了一個(gè)新穎的四階段無(wú)下垂初始化框架，這是第一種為混合碳化硅基發(fā)絲系統(tǒng)解決穩(wěn)定準(zhǔn)靜力配置的方法，用以解決混合型、基于股的頭發(fā)動(dòng)態(tài)系統(tǒng)的穩(wěn)定準(zhǔn)靜態(tài)配置問題。

4.Deployable Strip Structures

作者引入了新的C-mesh概念來(lái)捕捉可以從折疊狀態(tài)部署的動(dòng)力學(xué)結(jié)構(gòu)。除了理論之外，本文還提供了探索C-mesh形狀空間和設(shè)計(jì)C-mesh的工具。 我們還為自由形式建筑外層提供了一個(gè)應(yīng)用，即用具有恒定半徑的球面面板進(jìn)行面板化，這是一個(gè)重要的與制造相關(guān)的約束。

5.Towards Attention-Aware Rendering

作者進(jìn)行用戶研究以在不同的注意力分配下測(cè)量對(duì)比敏感度，并顯示當(dāng)用戶需要將注意力分配給中心凹時(shí)，周邊靈敏度會(huì)顯著下降。通過(guò)另一項(xiàng)用戶研究，作者推動(dòng)未來(lái)聚焦模型的發(fā)展，并證明當(dāng)用戶集中注意力在中心凹的任務(wù)上時(shí)，對(duì)周邊聚焦的容忍度要高得多。

6.Random-access Neural Compression of Material Textures

作者提出了一種新穎的神經(jīng)壓縮技術(shù)，專門用于材質(zhì)紋理。作者使用低比特率壓縮解鎖了兩個(gè)更多的細(xì)節(jié)級(jí)別，即16倍更多的紋素，圖像質(zhì)量?jī)?yōu)于先進(jìn)的圖像壓縮技術(shù)，如AVIF和JPEG XL。與此同時(shí)，作者的方法允許按需、實(shí)時(shí)解壓縮與GPU上的塊紋理壓縮類似，使得壓縮可以應(yīng)用于磁盤和內(nèi)存。

7.Learning Physically Simulated Tennis Skills From Broadcast Videos

作者提出了一個(gè)系統(tǒng)，它可以從大規(guī)模的網(wǎng)球比賽視頻中學(xué)習(xí)到各種物理模擬的網(wǎng)球技能。此方法建立在層次模型的基礎(chǔ)上，結(jié)合了低級(jí)模仿策略和高級(jí)運(yùn)動(dòng)計(jì)劃策略來(lái)控制字符在從廣播視頻中學(xué)習(xí)的運(yùn)動(dòng)嵌入中。當(dāng)在大規(guī)模視頻集上部署，其中包含大量真實(shí)世界網(wǎng)球比賽的示例時(shí)，此方法可以學(xué)習(xí)復(fù)雜的網(wǎng)球擊球技巧，并以連貫的方式將多個(gè)擊球組合成延伸的拉鋸戰(zhàn)，僅使用簡(jiǎn)單的獎(jiǎng)勵(lì)且沒有明確注釋擊球類型。

8.Min-Deviation-Flow in Bi-directed Graphs for T-Mesh Quantization

這項(xiàng)研究提出了一種稱為雙向網(wǎng)絡(luò)中的最小偏差流問題(Bi-MDF)的方法，用于將非共形T網(wǎng)格布局細(xì)分為共形四邊形網(wǎng)格，這是當(dāng)前網(wǎng)格化方法的核心組成部分。與當(dāng)前最先進(jìn)的QuadWild方法相比，作者的精確求解器在同樣的300數(shù)據(jù)集上僅用了0.49%的運(yùn)行時(shí)間(17.06秒vs 3491秒)就完成求解，并獲得了11%更低的能量。

掃碼添加小享，回復(fù)“SIGGRAPH”

免費(fèi)獲取全部頂會(huì)獲獎(jiǎng)?wù)撐?/strong>

標(biāo)簽：論文計(jì)算機(jī)圖形學(xué)SIGGRAPH