Day -1

最初投递的简历没通过删选。最后以各种拉扯的手段才搞到了名额。😭

Day 0

时隔 14 年重返北京。晚上坐动车软卧，上铺大叔一直打鼾，没睡好。一下车立马前往紫清，感叹其到地铁站的距离。虽然还没有开始报道，但还是给我了房卡，酒店内部和快捷酒店区别不大，只是 t大校徽增加了不少档次。

签完到便骑车绕着 t大和p大 转了几圈，然后去颐和园，真是一点没有小时候的印象了。对我来说，颐和园最大的特点就是其拱桥非常高，装饰风格很有京味，湖里的游船反而也能成为景致。由于景区物价太高，便硬生生熬到出门，乘地铁来到人民大学站，出门发现物价任不便宜🫠。其后舍友便通知已赶到酒店，返程途中经过中关村大街，许多 CAS 相关院所，还有 AMD, Google, VIA 等厂。回来签到，发了白色廉价T恤和 Jittor 的 32G U盘，至少不算不堪。回屋询问得知舍友基本无基础，再次感叹简历选拔的随机。

晚上去簋街与北新街找饭吃，惊叹于胡大的人气。先尝了尝豆汁儿，酸菜汤味带豆浆香气，也没那么不看。然后尝了份卤煮面，感觉口味没想象中的重。之后乘公交车去了三里屯，但发现逛不明白，遂返，路上依稀小雨。

一整天花在各种交通上的时间最多，北京的地铁虽老旧但复杂，转来转去也有些折磨。北京公交超过 10公里要附加收费，很奇怪。而更怪的是，无论是地铁还是公交，总是有乘务在车厢里帮忙，不知道为的是什么。

Day 1

早上

汪国平 开营

CG普及率低，不及图像处理，但数学基础只需高数和现代即可。

胡事民 图形学的历史、研究热点和趋势

胡老师在图形学历史的方面做了很全面的介绍，并提出了驱动今后图形学发展的三点重要因素：新设备、深度学习和新应用。

周昆 新一代三维数字化技术：构建“流光溢彩”的数字世界

（周老师要选为下一届 CCF CAD&CG 主席了） 主要介绍了固定式平面材质扫描仪/固定式几何材质扫描仪/手持式材质扫描仪 三种设备。原理主要为通过对 lumitexel 的编码与重建。

下午

fastforward

视频在这儿

• pku 连宙辉 图形生成
• bjust 符强 几何建模
• csu 夏志强 可视化
• sjtu 易冉 非真实感 AIGC NeRF
• njust/nku 王贝贝 渲染
• ustb 王晓昆 流体仿真
• cas 向小伟 PeriDyno 泛动引擎
• pku 王鹏帅 三维理解
• nku 任博 仿真 三维理解
• 华为中央媒体研究院 云技术 鸿蒙内部渲染引擎
• njust 杨建 数字人 物理管线
• iiis 杜韬 仿真 学习
• pku 楚梦渝 动态物理内容生成/仿真
• taichi
• buaa 高阳 物理建模 VR人机交互
• xmu 郭诗辉 动捕服
• buaa 汪淼 三维动画 VR行走
• nku 王叙萌 可视化数据分析
• ustc 傅孝明 几何优化
• dlut 王伟明 工业优化
• pku 刘利斌 角色动画
• thu 徐昆 渲染
• 元象verse 云协同 烘焙
• zju 朱闽峰 图布局
• xmu 杜俊聪 设计思维可视化
• booming tech
• hkust-gz 王泽宇 草图创作意图 三维空间理解 数字人采集
• thu 穆少江 几何深度学习 SLAM
• cas 郭建伟 动态几何数据优化
• zju 霍宇驰 渲染优化
• cas 高林/张凌勇/陈姝宇/杨洁 三位内容生产 NeRF
• IEG x Tencent

数据结构课程（高阳）

先是回顾了408数据结构中的树结构，然后简要介绍了四/八叉树、BSP树、BVH树等结构。

重点介绍了关于BVH的一些扩展方法，并布置完成[DHK08][WAB18]两篇工作的伪代码作为作业。

腾讯 工业实践中的三维建模

一般基于照扫工作流，使用 RealityCapture Delighter+精修。

展UV 的一般流程为 切割展平->形变拉直->尺寸调整->紧致装箱。其中要求为：切割藏、对称留、形变小、装箱紧。

晚上

去了王府井大街，在去的路上开始下小雨。个人认为远不能及上海的南京路，我只在大道两头买了份蜜雪冰城和麦当劳1+1。随后步行至天安门附近，由于没有预约，所以不能进入、较为遗憾。晚上已经有好多人睡在地铁站等待第二天升旗仪式了。

Day2

上午

陈姝宇 线稿交互的人脸肖像创作

主页

DeepFaceDrawing 流形投影->优化结果

DeepFaceEditing 局部解耦

DeepFaceVideoEditing 时序传播编辑 时间/表情驱动 最后区域感知融合 几何纹理编辑融合

SketchFaceNeRF 三平面表示 基于线稿的反向优化

NeRFFaceLighting 光影的有效解耦表示

王贝贝 真实感材质建模和高效渲染方法

Smith Microfacet微表面多次散射造成的能量损失

材质模型的基础理论 表面/体材质

面向数字人的真实感高效渲染 皮肤/毛发/布料

高精度材质获取 正向和逆向结合

过洁 渲染课程

（第一次和过老师线下见面😝）

（常看常新的内容）辐射度量学、颜色空间、渲染方程、蒙特卡洛积分、相机参数

最后宣传了一手Moer

下午

夏传志 可视化

可视编码：视觉通道（数值型/有序型/类别型）

好的可视化：信：正确/达：有效/雅：美观

王叙萌 可视分析系统

ViPX(IEEE VAST 2016)，采用 Marey 图

建议使用 Echarts,vega-lite 入手，然后学习 D3 等工具操作数据。

任博 图形学物理仿真基础

通过当前状态预测接下来一个状态

通过算子分离法对一个已知偏微分物理方程求解

“拉格朗日”式（粒子法，气象气球） “欧拉”式（网格法，气象站，交错网格+循环边界）

Advection->AddViscosity->AddGravity->ProjectVelocities->AddPressure的一个循环

时间步长是仿真参数之王，先调小两个量级以便调试。

速度的最大步长不超过离散间隔的一定比例

朱新瑞 端云协同下单元宇宙3C技术与设计

3C(Character/Camera/Control)

工业界角色IK一般使用启发式算法（FABRIK,CCDIK）结合状态机

镜头布置与运镜（自由镜头，第一人称，第三人称，越肩镜头）一般用“弹簧臂”进行平滑 遇到小物体发生镜头突变

摇杆一般提供力度与方向 策略耦合方式：倍率叠加 还有一些新控制型号（XR）

刘天添 Taichi

三个重点：强大性能、优雅开发、多地部署

两个例子：抗剪切布料弹簧质点系统建模 AutoDiff 流体调参Pacman

晚上

志愿者带我们游览了一圈 t大，其实也主要就是老校区的部分。

Day3

上午

王鹏帅 面向图形学的通用三维深度学习框架

基于八叉树的稀疏卷积（一劈为八、Z字形排序）

通过八叉树自编码器MLP设计预测是否可分 图卷积考虑邻域

Transformer化 OctFormer做到多模态、大模型结合

楚梦渝 融合深度学习的物理仿真

Data-Driven Science 黑箱、泛化性不强 模型准确性 框架完备性 计算交互性

Accelerate Forward/Regularize ill-posed/Resolve inverse

学习资料：集智斑图

傅博明 几何课程

三维模型表达：点云/深度图/SDF(TSDF)/Octree/Triangle Mesh Quad Mesh Tetrahedra Mesh

数字几何处理：曲面重建/修复、噪声修复、参数化、（重）网格化、编辑/变形

离散微分算子：Local Average Region(Barycentric/Voronoi/Mixed Voronoi Cell)、Gradient、Discrete Laplace-Beltraml/Cotangent/Discrete Curvature

曲面参数化：Barycentric Mapping/Tutte’s embedding 包角变换结果刚好符合 Cauchy-Riemann方程 Alternative approximate 交替迭代

下午

汪淼 虚拟现实

首先是一些VR历史。介绍 VR 的 3I (Immerse/Imagine/Interact) 特性。第一层理解：虚拟现实 VR、混合现实 MR，第二层理解：增强现实 AR、增强虚境 AV、虚拟环境 VE。五横：近眼显示、感知交互、网络传输、渲染计算、内容制作。两纵：VR/AR。相关设备分为输入（人体动捕，手柄、leap motion跟踪手势、全景相机）、输出（头盔为主，包括力触觉，CAVE 系统）、计算（CPU、GPU、PPU物理处理）三种。

虚拟现实交互呈现做的不好会有晕动症(motion sickness)。主要介绍虚拟漫游，探究视点相对于实际旋转、平移以及曲率的阈值。同时加入步高、弹性输入、伪触觉反馈。探究骑行和虚拟高度变化和一些特殊输入（语音、眼球）。

虚拟化身感知结合包括虚拟握手、群组移动、异地融合及虚拟共身、多人协作等。

Unity 开发 XR interactive kit

相关顶会 IEEE VR(CCF A) 与 ISMAR(CCF B) 互通。

徐昆 绿色通道

（第一次进入东主楼追星） 传统渲染还是有非常多工作可以做。目前硬件光追能做到 1-2 spp，与光栅化效率相比大概差六到七个数量级，我们目标是将光追效率再提升一到两个数量级。最近相关工程实践也很有意义，在大局上对光追进行修改的工作也不少。

可微渲染可分为神经渲染即 Image-Based Rendering 以及可微光栅化与可微光追。徐老师更愿意把后两部分的工作解释为提供微分量给视觉或者三维重建等工作。其中可微光追由于推导公式过程多，难度较大。NeRF 相关工作基本与传统 Pipeline 平行，不可相融合，也无法改变光线（同时期他手下一位南大本清华博同学有可变光线的工作），一般来说只对于特定场景（数字人/车展）比较有效。以神经网络压缩材质模型是很有意义的，从封装角度来考虑，仍属于管线的一部分。Nvidia Neural Radiance Cache 的工作也很有意思，同样也可以属于传统管线的一部分。

入门渲染不需要太多的数学基础。而入门之后的各个方向都可以试着尝试一些。