Aprenentatge Automàtic als Gràfics per Computador

Esteu aquí

Crèdits
3
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits
Departament
UB
Mail
L'aplicació de tècniques d'aprenentatge automàtic (ML) en gràfics per ordinador (CG) augmenta ràpidament. Els càlculs massius necessaris en moltes aplicacions CG juntament amb la capacitat de ML per a identificar i explorar la coherència en aquests càlculs condueixen a una simbiosi natural dels dos camps. Aquest curs proporcionarà una visió general de les aplicacions recents de ML per a resoldre problemes de CG amb un enfocament en aplicacions de renderització fotorealistes, permetent als estudiants vincular diferents tècniques de ML amb casos d'aplicacions pràctiques en CG.

Professors

Responsable

  • Ricardo Jorge Rodrigues Sepúlveda Marques ( )

Hores setmanals

Teoria
1
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
3.8

Competències

Competències Tècniques Generals

Genèriques

  • CG2 - Capacitat per a dirigir, planificar i supervisar equips multidisciplinaris.
  • CG3 - Capacitat per a la modelització, càlcul, simulació, desenvolupament i implantació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca, desenvolupament i innovació en tots els àmbits relacionats amb la Intel·ligència Artificial.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA12 - Capacitat de comprendre les tècniques avançades d'Enginyeria del Coneixement, Aprenentatge Automàtic i Sistemes de Suport a la Decisió, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.
  • CEA13 - Capacitat de comprendre les tècniques avançades de Modelització, Raonament i Resolució de problemes, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP1 - Capacitat de resoldre les necessitats d'anàlisi de la informació de les diferents organitzacions, tot identificant les fonts d'incertesa i variabilitat.
  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.
  • CEP4 - Capacitat per dissenyar, redactar i presentar informes sobre projectes informaticos en l'area especifica d'Intel·ligència Artificial.

Competències Transversals

Treball en equip

  • CT3 - Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o duent a terme tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos considerant els recursos disponibles.

ús solvent dels recursos d'informació

  • CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

Raonament

  • CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

Analisis i sintesis

  • CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

Bàsiques

  • CB6 - Que els estudiants sàpiguen aplicar els coneixements adquirits y la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contexts més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
  • CB8 - Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons darreres que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
  • CB9 - Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma.

Objectius

  1. Adquirir una visió general del camp de la gràfica per ordinador, i de les tècniques de renderització basades en la física en particular.
    Competències relacionades: CEA13, CG2, CT3, CT6, CT7, CB6, CB9,
    Subcompetences:
    • Visió general del camp de gràfics per ordinador i els principals reptes actuals.
    • Detalls sobre el problema encara obert de la renderització basada en la física (PBR) i l'equació de transport de la llum (LTE) en què ens centrarem durant aquest curs.
  2. Obtenir una comprensió detallada dels mètodes de Monte Carlo per a la renderització basada en la física
    Competències relacionades: CEA13, CG2, CG3, CEP1, CT3, CT4, CT6, CT7, CB6, CB8, CB9,
    Subcompetences:
    • Comprendre com millorar el rendiment dels mètodes de Monte Carlo mitjançant tècniques de reducció de variància i les principals limitacions dels enfocaments típics.
    • Detalles sobre l'ús dels mètodes de Monte Carlo per a PBR.
    • Comprendre per què els mètodes de Monte Carlo són necessaris i omnipresents en la síntesi d'imatges fotorealistes
  3. Aprendre i experimentar amb tècniques d'aprenentatge automàtic (ML) per potenciar els mètodes de Monte Carlo aplicats a PBR.
    Competències relacionades: CEA3, CEA12, CEA13, CG2, CG3, CEP1, CEP3, CEP4, CT3, CT4, CT6, CT7, CB6, CB8, CB9,
    Subcompetences:
    • Análisi dels diferents enfocaments basats en ML per a superar algunes de les limitacions dels mètodes de Monte Carlo per a PBR.

Continguts

  1. Bloc 1: Introducció als gràfics per ordinador i a les tècniques de renderitzat
    Aquest primer bloc proporciona una visió general del camp de gràfics per ordinador i els principals reptes actuals. També proporcionarà detalls sobre el problema encara obert de la renderització basada en la física (PBR) i l'equació de transport de la llum (LTE) en què ens centrarem durant aquest curs.
  2. Bloc 2: Mètodes de Monte Carlo per a la renderització basada en la física
    Aquest bloc presenta l'ús dels mètodes de Monte Carlo per a PBR. Veurem per què els mètodes de Monte Carlo són necessaris i omnipresents en la síntesi d'imatges fotorealistes, com millorar el seu rendiment mitjançant tècniques de reducció de variància i les principals limitacions dels enfocaments típics.
  3. Bloc 3: Aprenentatge Automàtic (ML) per a potenciar els mètodes de Monte Carlo aplicats a PBR
    En aquest tercer bloc tractarem diferents enfocaments basats en ML per a superar algunes de les limitacions identificades al bloc anterior.

Activitats

Activitat Acte avaluatiu




Presentació Estudiants

Presentació Estudiants
Objectius: 3
Continguts:
Teoria
1h
Problemes
0h
Laboratori
1h
Aprenentatge dirigit
0h
Aprenentatge autònom
3h

Metodologia docent

L'horari setmanal d'activitats presencials es distribueix en dues hores de classe que inclou teoria i pràctica.

En la mesura del possible, la perspectiva de gènere s'incorporarà al desenvolupament de l'assignatura. A més, els professors estaran atents a aquelles necessitats específiques de gènere que els estudiants puguin plantejar, com ara poder triar una parella del mateix gènere si es realitza un treball en grup o ser capaç de plantejar reptes contra la bretxa de gènere.

Mètode d'avaluació

El curs seguirà una avaluació contínua que consisteix en:

Projecte pràctic (60%) + Presentació i informe sobre un treball de recerca (40%).

Els estudiants treballaran en grups. Les notes per a presentacions orals, desenvolupament de projectes i informes presentats s'atorgaran de manera individual.

Bibliografia

Bàsica:

  • Physically based rendering : from theory to implementation - Pharr, Matt; Jakob, Wenzel; Humphreys, Greg, Morgan Kaufmann Publisher, 2016. ISBN: 9780128006450
    http://cataleg.upc.edu/record=b1521142~S1*cat
  • Advanced Global Illumination (2nd Edition) - Dutré, Philip; Bala, Kavita; Beckaert, Philippe, A. K. Peters, Ltd., 2006. ISBN: 978-1568813073
  • Pattern recognition and machine learning - Bishop, Christopher M, Springer, cop. 2006. ISBN: 978-0-387-31073-2
    http://cataleg.upc.edu/record=b1298151~S1*cat
  • Gaussian processes for machine learning - Rasmussen, Carl Edward, The MIT Press, cop. 2006. ISBN: 978-0-262-18253-9
    http://cataleg.upc.edu/record=b1294718~S1*cat
  • Efficient Quadrature Rules for Illumination Integrals: From Quasi Monte Carlo to Bayesian Monte Carlo - Marques, Ricardo; Bouville, Christian; Santos, Luís Paulo; Bouatouch, Kadi, Morgan & Claypool Publishers, 2015. ISBN: 978-1627057691

Complementaria:

  • Machine Learning and Rendering - Keller, Alexander; Křivánek, Jaroslav; Novák, Jan; Kaplanyan, Anton; Salvi, Marco, ACM SIGGRAPH 2018 Courses (SIGGRAPH '18) , 2018.

Addenda

Pla de contingència

In case mixed teaching is required by the health situation (this is the expected model): * If the health situation allows it and the necessary conditions are met, we expect to have between 50% and 70% of in-person activities. In general, when having an occupancy rate of 50%, students will attend in-person for a week and will follow class on streaming for the following week. In case on-line teaching is required by the health situation: * The time ranges of mixed teaching are maintained but all teaching will be carried out in an online format, prioritizing synchronous sessions for the subject dynamization.