【报告推荐】三维及超形体分析中的几何与数据学习（Geometry and Learning from Data in 3D and Beyond - Shape Analysis）

报告名称： Geometry and Learning from Data in 3D and Beyond - Shape Analysis

报告背景： 快速的采集技术和广泛的三维数据可用性强调了对处理和分析三维形状的高级工具的需求。与图像和信号处理不同，图像和信号处理使用成熟的处理和学习工具处理平面域上的函数，三维形状由于其不规则和弱结构而呈现出独特的挑战。尽管在为这些任务开发工具方面取得了惊人的进展，但在自动分析、处理和理解三维几何图形方面仍存在许多挑战。特别是，机器学习的最新进展显示了在信号和图像处理方面的进步，而对三维形状的处理则相对落后。本次研讨会旨在将传统的三维形状分析与最新的学习进展相结合，让世界领先的数学和计算机科学研究人员学习、探索、合作，并开发新的思路和研究方向。

报告大纲：

• 形状差异和可变性
• 结构化数据问题的稳健方法
• 多管六面体网格的选择填充
• 弹性形状匹配：组合与直接方法
• 离散壳空间的主测地线分析
• 从非刚性空间到空空间
• 基于ADMM的功能图与基础设计
• 基于几何建模和学习的非等距形状匹配
• 学习变形形状对应
• 利用结构隐函数学习形状模板
• 用神经网络分析、处理和生成三维形状的几何表示法
• 人工神经网络中的几何编码
• 流形上的高斯过程标记
• 基于计算共形几何的形状分析
• 函数数据的弹性超对齐——形状与信号

报告嘉宾：

Pierre Alliez（自动信息学研究所（INRIA）） Omri Azencot（加利福尼亚大学，洛杉矶大学（UCLA）） Mirela Ben Chen（技术-以色列理工学院） Alex Bronstein（技术-以色列理工学院） 迈克尔·布朗斯坦（伦敦帝国大学，卢加诺大学） Daniel Cremers（慕尼黑工业大学） Stanley Durrleman（AramisLab-ICM脑与脊柱研究所– INRIA – ICM神经信息学中心） 托马斯·冯克豪斯（Google和普林斯顿大学） 顾宪峰（石溪大学） Leonidas Guibas（斯坦福大学，计算机科学） Shantanu Joshi（加利福尼亚大学，洛杉矶大学（UCLA）） Vova Kim（Adobe系统公司） Leif Kobbelt（亚琛工业大学） 赖荣杰（伦斯勒工业学院） Niloy Mitra（伦敦大学学院） Maks Ovsjanikov（高等理工学院） 赫尔穆特·波特曼（阿卜杜拉国王科技大学（KAUST）） Dan Raviv（特拉维夫大学） Emanuele Rodola（罗马的萨皮恩扎大学） 马丁·伦普（Martin Rumpf）（莱茵大学弗里德里希·威廉姆斯大学） Stefano Soatto（加利福尼亚大学洛杉矶分校（UCLA）） 贾斯汀·所罗门（麻省理工学院） 阿兰·特劳夫（ÉcoleNormaleSupérieurede Cachan）

报告PDF链接 :https://pan.baidu.com/s/1vM8X_8378w3IJflQLlfehA