CG顶会论文阅读|《科技论文写作》硕士课程报告

文章目录

  • 一、基本信息
    • 1.1 论文基本信息
    • 1.2 课程基本信息
    • 1.3 博文基本信息
  • 二、论文评述(中英双语)
    • 2.1 研究问题(Research Problem)
    • 2.2 创新点(Innovation/Contribution)
    • 2.3 优点(Why this paper is well written)
    • 2.4 不足(Inadequacies)

一、基本信息

1.1 论文基本信息

标题:Neural Layered BRDFs
来源:ACM SIGGRAPH 2022(中国计算机学会CCF推荐国际学术会议-计算机图形学与多媒体-A类)
作者单位:南京理工大学、南开大学、Adobe Research、加利福尼亚大学
原文:https://dl.acm.org/doi/10.1145/3528233.3530732
小组报告时间:2023年上半年(本人为小组组员)

1.2 课程基本信息

课程名称:科技论文写作

开课单位:浙江工业大学计算机学院

课程性质:硕士课程-专业课-核心课程

先修课程:硕士英语、机器学习等

教学目的:使学生在学习了专业课程,并经历了一定的科研项目试验过程的基础上,了解科技论文的写作目的、掌握其写作的基本过程和规则,从而提高研究生的科技论文写作效率。

课程思政元素:实事求是、精益求精、突破陈规。本课程鼓励学生写论文要符合三真,即真问题、真方法、真数据,以实事求是的态度撰写科技论文;同时写作的过程中,对所提的每个观点进行自我发问,做到精益求精;最后还要对所提问题和方法进行深入思考,是否能够突破陈规,体现创新性。

课程大纲:

  1. 研究问题确认
    ​ 1.1 讲逻辑要先区分事实与观点
    ​ 1.2 研究是什么,研究者如何看待
    ​ 1.3 从研究主题到具体问题
    ​ 1.4 找到有用的文献
    ​ 1.5 与文献交互
  2. 如何草拟研究论文初稿
    ​ 2.1 规划论文思路
    ​ 2.2 论文初稿设计
    ​ 2.3 草拟论文
    ​ 2.4 论文写作工具
  3. 如何修订论文
    ​ 3.1 如何选择表格和图形呈现论据
    ​ 3.2 草稿的修订
    ​ 3.3 拟出最终的引言和结论
    ​ 3.4 修订句子
    ​ 3.5 从论文评语中学习
  4. 如何做报告与科研精神
    ​ 4.1 设计口头报告
    ​ 4.2 口头报告要适合聆听
    ​ 4.3 关于科研精神

教学参考资料:《芝加哥大学论文写作指南》

考核方式:课内考察,采取课堂讲授、专题学术报告、讨论、课程报告相结合的教学方式

1.3 博文基本信息

本课程要求学生组成小组,在选择的研究领域中,选择来自顶会顶刊的论文进行阅读。小组内的每位成员必须对论文发表自己的见解,向组长提交一份书面报告,由组长总结所有小组成员的观点,使用PPT+口头报告的方式进行展示。

本小组选择的研究领域为计算机图形学(Computer Graphics,CG),它是一种使用数学算法将二维或三维图形转化为计算机表示的科学。其主要研究内容是:如何在计算机中表示图形,进而利用计算机进行图形的计算、处理和显示。计算机图形学的核心目标在于创建有效的视觉交流,在科学、娱乐等领域和艺术创作、商业广告、产品设计等行业中发挥着重要作用。
在这里插入图片描述
以下部分来自博主个人的书面报告,该报告形成过程中经过小组交流讨论,但由于本人研究方向并不是计算机图形学,实际上是以大同行的视角对论文进行评述,一家之言,仅供参考。以下部分为终稿,若无特殊情况,将不再进行修改。

二、论文评述(中英双语)

2.1 研究问题(Research Problem)

在计算机图形学中,双向反射分布函数(BRDF)被广泛用于表示和渲染多层材料。然而,现有评估方法存在高方差、高成本、精确性低等问题。

In computer graphics, Bidirectional Reflectance Distribution Functions (BRDFs) are pervasively used to represent and render layered materials. However, existing methods have the limitations of high variance, high cost and less accuracy.

2.2 创新点(Innovation/Contribution)

作者提出用神经网络将BRDF压缩为潜在表示,在神经空间中进行分层,并通过分层网络对这些潜在向量执行学习的分层操作。与最先进的方法相比,本文提出的BRDF评估方法具有无噪声和计算效率高的特点。

The authors proposed to perform layering in the neural space by compressing BRDFs into latent codes via a proposed representation neural network and performing a learned layering operation on these latent vectors via a layering network. The proposed method is noise-free and computationally efficient compared to the state-of-the-art approach.

2.3 优点(Why this paper is well written)

(1)摘要部分简练而全面,覆盖全文要点:介绍、方法、实验结果、结论。(The abstract is terse while comprehensive, covering the full text points: introduction, methods, experiments and conclusion. )

(2)文章结构框架合理,第3节、第4节的小节标题与大节标题相互对应。(The paper has a reasonable structure or framework. For instance, the subtitles of the third and forth section correspond to the titles of these sections.)

(3)引言部分逻辑清晰。第一段简明扼要地介绍了研究问题的背景,以从一般到特定的顺序明确主题,并举例说明应用场景;第二段和第三段分别对解决当前问题的旧方法和解决更简单问题的新方法进行了陈述和评价;在第四段提出自己的主张,声明了本文的贡献,为读者提供了清晰的导向。(The logic of the introduction is clear. The first paragraph introduces the background briefly, identifies the topic in a way from general to specific, and puts up several typical application scenarios. The second and third paragraph state and evaluate the old methods of current problems and the new methods of simpler problems, respectively. The fourth paragraph offers contribution claims, providing a clear guidance for the reader.)

(4)在相关工作部分,按照多个类别进行组织。对前人的工作进行了充分论述,介绍了研究的来龙去脉,比较他们的差异并进行归类,并与本文的方法比较,突出本文的贡献。其中特别提到了当前的真相方法,通过声明本文的方法接近真相,为本文方法的有效性提供了逻辑上的有力支持。(The related work is organized in several categories. Previous work is fully discussed, the context of the study is presented, their differences are compared and used for classification. The contribution of the article is highlighted by comparing with these classified methods. Among them, the ground-truth is particularly mentioned, providing a logically strong support for the effectiveness of the proposed method. )

(5)在第三节的开头,用一段话简要介绍了这一节的内容。在3.1节用公式对问题进行了描述。这里的formulate用得非常准确,对问题精确的形式化定义是解决问题的第一步。在这一部分,首先确定了问题的范围,接着交代了本文的核心概念BRDF与相近概念的关系。在3.2节,用图2表示了评估网络的详细架构。使用相连的三角形和梯形,巧妙地表示了网络的各个组件,节省了空间。在表 1 中将本文的方法与三项相关工作进行了比较,突出了本文方法的特点。(In the beginning of the third section, a paragraph is used to introduce the content of this section briefly. The problem is described in 3.1 by equations. The word “formulation” is used rather accurately, as the precise formal definition of the problem is the first step in solving it. In this part, the scope of the problem is first determined, then the relationship between the core concept of the article (i.e., BRDF) and similar concepts is explained. In 3.2, Figure 2 shows the detailed structure of the evaluation network. Closely connected triangles and trapezoids are used to represent the components of the network skillfully, saving the space for typesetting. Table 1 compares the proposed method with three related works, emphasizing the feature of the proposed method.)
在这里插入图片描述
(6)在实验部分,使用多种材料组合成多种分层材质进行神经网络的训练,数据量充足。(In experiments, multiple kinds of materials are used to generate 12720 layered BRDFs to train the networks, which guarantees for sufficient data.)

(7)在结论部分,回顾了主要贡献,明确了当前方法的限制,并对未来工作进行了展望。(In conclusion, the main contribution is recapped, the limitations of proposed method are cleared, and the future work is discussed.)

(8)提供了补充资料,显著提高了论文的可读性。(The supplementary material is provided, which significantly improves the readability of the paper.)

(9)引用的参考文献较新:在19篇引用文献中,有14篇在近5年发表。(Relatively new references: 14 of the 19 items were published in the last 5 years.)

(10)全文的过渡词使用恰到好处,衔接自然,过渡流畅。配图美观清晰,赏心悦目。(The transition words in the paper are properly used, results in natural connection and smooth transition. The figures are artistic and clear, which bring pleasant experience to the readers.)

2.4 不足(Inadequacies)

(1)摘要最后一句话中的“神经代数”(neural algebra)在正文中只是一笔带过,有博眼球的嫌疑。(The word “neural algebra” in the last sentence of the abstract is simply described in the main body, which is a suspicion of attracting eyeballs. )
(2)对于公式2,没有说明Nlayering和Vlayered的含义。(As for Eq.2, the meaning of symbol Nlayering and Vlayered are not explained.)
(3)3.2节中,对于为什么要离散化输入BRDF,可补充说明。(In 3.2, the necessity for the discretization of the input BRDF could be complemented.)
(4)没有公开代码,而且没有用伪代码进行描述。(The code is not released, and pseudocodes are not used.)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/66005.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JVM实战—9.线上FGC的几种案例

大纲 1.如何优化每秒十万QPS的社交APP的JVM性能(增加S区大小 优化内存碎片) 2.如何对垂直电商APP后台系统的FGC进行深度优化(定制JVM参数模版) 3.不合理设置JVM参数可能导致频繁FGC(优化反射的软引用被每次YGC回收) 4.线上系统每天数十次FGC导致频繁卡顿的优化(大对象问题…

FreshTomato 路由器固件常见配置以及踩坑记录

本文首发于只抄博客,欢迎点击原文链接了解更多内容。 前言 在上一篇文章《网件 R6400 梅林固件恢复官方固件后刷入 FreshTomato》中,我将网件 R6400 刷入了 FreshTomato 固件,目前已经使用了大半个月了,稳定性比起 380.70_0-X7.9…

嵌入式驱动开发详解8(阻塞/非阻塞/异步通信)

文章目录 前言阻塞非阻塞异步通知后续 前言 首先来回顾一下“中断”,中断是处理器提供的一种异步机制,我们配置好中断以后就 可以让处理器去处理其他的事情了,当中断发生以后会触发我们事先设置好的中断服务函数, 在中断服务函数…

Jmeter进阶篇(31)解决java.net.BindException: Address already in use: connect报错

📚前言 近期雪雪妹妹在使用Jmeter执行压测的时候,发现了一个非常让她头疼的问题,她使用20并发跑,正确率可以达到100%,但是一旦使用200并发,就会出现大量的报错,报错内容如下: java.net.BindException: Address already in use: connectat java.net.DualStackPlainSo…

leveldb的DBSequence从哪里来,到哪里去?

(Owed by: 春夜喜雨 http://blog.csdn.net/chunyexiyu) leveldb数据库的DBSequence从哪里来,到哪里去? 大概的情形是,leveldb的记录初始DBSequence为0,随着记录的增加,记录sequence不断随着增加,并持久化…

每日一学——日志管理工具(ELK Stack)

5.1 ELK Stack 5.1.1 Elasticsearch索引机制 嘿,小伙伴们!今天我们要聊聊ELK Stack——一套由Elasticsearch、Logstash和Kibana组成的强大日志管理工具集。通过这套工具,我们可以轻松地收集、存储、搜索和可视化日志数据。首先,…

PyTorch 自动混合精度AMP Grad Scaler 源码解析:_unscale_grads_ 与 unscale_ 函数

PyTorch AMP Grad Scaler 源码解析:_unscale_grads_ 与 unscale_ 函数 引言 本文详细解析 PyTorch 自动混合精度(AMP)模块中 grad_scaler.py 文件的两个关键函数:_unscale_grads_ 和 unscale_。这些函数在梯度缩放与反缩放过程中…

docker内外如何实现ROS通信

写在前面 在一台电脑上装有docker,docker内外均装有ROS系统,现在想要实现docker内外的ROS通信,怎么办呢? 首先,因为是同一台电脑的docker内外,所以IP本身是互通的,不需要在/etc/hosts中添加IP…

双指针与滑动窗口

双指针 相向双指针 两数之和 题意是找到不同两个数使得它们相加和为target,数组有序 利用数组有序的性质,判断指针前后的区间的性质 例如:2 3 4 6 8, target 9 2 8 10 > 9, 因为非递减序列,2之后的每个数都会大等于2&…

unity开发之shader 管道介质流动特效

效果 shader graph 如果出现下面的效果,那是因为你模型的问题,建模做贴图的时候没有设置好UV映射,只需重新设置下映射即可

python +tkinter绘制彩虹和云朵

python tkinter绘制彩虹和云朵 彩虹,简称虹,是气象中的一种光学现象,当太阳光照射到半空中的水滴,光线被折射及反射,在天空上形成拱形的七彩光谱,由外圈至内圈呈红、橙、黄、绿、蓝、靛、紫七种颜色。事实…

【华为OD-E卷 - 最优资源分配 100分(python、java、c++、js、c)】

【华为OD-E卷 - 最优资源分配 100分(python、java、c、js、c)】 题目 某块业务芯片最小容量单位为1.25G,总容量为M*1.25G,对该芯片资源编号为1,2,…,M。该芯片支持3种不同的配置,分…

stable diffusion安装mov2mov

第一步: 下载mov2mov,地址:https://gitcode.com/gh_mirrors/sd/sd-webui-mov2mov 下载包到web-ui的sd-webui-aki-v4.10\extensions文件夹面解压 第二步:在文件夹中调出cmd窗口,执行下列命令, git restore…

SpringSpringBoot常用注解总结

目录 1. SpringBootApplication 2. Spring Bean 相关 2.1. Autowired 2.2. Component,Repository,Service, Controller 2.3. RestController 2.4. Scope 2.5. Configuration 3. 处理常见的 HTTP 请求类型 3.1. GET 请求 3.2. POST 请求 3.3. PUT 请求 3.4. DELETE 请…

STM32 软件I2C读写

单片机学习! 目录 前言 一、软件I2C读写代码框架 二、I2C初始化 三、六个时序基本单元 3.1 引脚操作的封装和改名 3.2 起始条件执行逻辑 3.3 终止条件执行逻辑 3.4 发送一个字节 3.5 接收一个字节 3.5 发送应答&接收应答 3.5.1 发送应答 3.5.2 接…

mysql error:1071 -Specified key was too long; max key length is 767 bytes

错误原因 数据库表采用utf8编码时,当对varchar(255)的列设置唯一键索引时发生该错误。 mysql默认单列的索引不能超过767位(不同版本可能存在差异) 解决方法 (1) 使用innodb引擎; (2) 启用innodb_large_p…

七种改进爬山算法的方法

一、爬山算法 爬山算法(Hill Climbing Algorithm)是一种启发式的基于局部最优解的搜索算法,用于在给定的搜索空间中寻找全局最优解或足够好的解。它属于局部搜索算法,通常用于解决优化问题,包括连续和离散问题。 爬山算法模拟了爬山的过程,从某个随机起始点开始,不断向更…

MYSQL--------MYSQL中的运算符

以下是 MySQL 中各种运算符的介绍及代码示例: 算术运算符 算术运算符用于执行基本的数学运算,包括加、减、乘、除、取模(取余)。 -- 创建一个名为 operator_demo 的表 CREATE TABLE operator_demo (a INT,b INT );-- 插入示例数…

PyTorch AMP 混合精度中grad_scaler.py的scale函数解析

PyTorch AMP 混合精度中的 scale 函数解析 混合精度训练(AMP, Automatic Mixed Precision)是深度学习中常用的技术,用于提升训练效率并减少显存占用。在 PyTorch 的 AMP 模块中,GradScaler 类负责动态调整和管理损失缩放因子&…

MySQL图形化界面工具--DataGrip

之前介绍了在命令行进行操作,但是不够直观,本次介绍图形化界面工具–DataGrip。 安装DataGrip 官网链接:官网下载链接 常规的软件安装流程。 参考链接:DataGrip安装 使用DataGrip 添加数据源: 第一次使用最下面会…