Aprenentatge Automàtic als Gràfics per Computador

• Hores setmanals
• Competències
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia

Professorat

Responsable

• Ricardo Jorge Rodrigues Sepúlveda Marques ( )

Hores setmanals

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

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Physically based rendering : from theory to implementation - Pharr, Matt; Jakob, Wenzel; Humphreys, Greg, Morgan Kaufmann Publisher, 2016. ISBN: 9780128007099
  
• Advanced global illumination - Dutré, Philip; Bala, Kavita; Beckaert, Philippe, A. K. Peters, Ltd., 2006. ISBN: 9780367659417
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004948813706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Pattern recognition and machine learning - Bishop, C. M, Springer, cop. 2006. ISBN: 9780387310732
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Gaussian processes for machine learning - Rasmussen, Carl Edward, The MIT Press, cop. 2006. ISBN: 9780262261074
  
• 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
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004948813606711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Complementaria:

• Machine Learning and Rendering - Keller, Alexander; Krivánek, Jaroslav; Novák, Jan; Kaplanyan, Anton; Salvi, Marco, ACM SIGGRAPH 2018 Courses (SIGGRAPH '18) , 2018.
  https://dl.acm.org/doi/pdf/10.1145/3214834.3214841