Aprendizaje Automático en los Gráficos por Computador

Usted está aquí

Créditos
3
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos
Departamento
UB
Mail
La aplicación de técnicas de aprendizaje automático (ML) en gráficos por ordenador (CG) aumenta rápidamente. Los cálculos masivos necesarios en muchas aplicaciones CG junto con la capacidad de ML para identificar y explorar la coherencia en estos cálculos conducen a una simbiosis natural de los dos campos. Este curso proporcionará una visión general de las aplicaciones recientes de ML para resolver problemas de CG con un enfoque en aplicaciones de renderización fotorrealistas, permitiendo a los estudiantes vincular diferentes técnicas de ML con casos de aplicaciones prácticas en CG.

Profesores

Responsable

  • Ricardo Jorge Rodrigues Sepúlveda Marques ( )

Horas semanales

Teoría
1
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
3.8

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Capacidad para dirigir, planificar y supervisar equipos multidisciplinares.
  • CG3 - Capacidad para la modelización, cálculo, simulación, desarrollo e implantación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA12 - Capacidad de comprender las técnicas avanzadas de Ingeniería del Conocimiento, Aprendizaje Automático y Sistemas de Soporte a la Decisión, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
  • CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Profesionales

  • CEP1 - Capacidad de resolver las necesidades de analisis de la informacion de las diferentes organizaciones, identificando las fuentes de incertidumbre y variabilidad.
  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.
  • CEP4 - Capacidad para disenar, redactar y presentar informes sobre proyectos informaticos en el area especifica de Inteligencia Artificial.

Competencias Transversales

Trabajo en equipo

  • CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Razonamiento

  • CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.

Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Objetivos

  1. Adquirir una visión general del campo de los gráficos por ordenador, y de las técnicas de renderizado basadas en la física en particular.
    Competencias relacionadas: CB6, CB9, CT3, CT6, CT7, CEA13, CG2,
    Subcompetences:
    • Visión general del campo de gráficos por ordenador y los principales retos actuales.
    • Detalles sobre el problema aún abierto de la renderización basada en la física (PBR) y la ecuación de transporte de la luz (LTE) en la que nos centraremos durante este curso.
  2. Obtener una comprensión detallada de los métodos de Monte Carlo para la renderización basada en la física
    Competencias relacionadas: CB6, CB8, CB9, CT3, CT4, CT6, CT7, CEA13, CEP1, CG2, CG3,
    Subcompetences:
    • Entender cómo mejorar el rendimiento de los metodos de Monte Carlo mediante técnicas de reducción de varianza y las principales limitaciones de los enfoques típicos
    • Detalles sobre el el uso de los métodos de Monte Carlo para PBR.
    • Entender por qué los métodos de Monte Carlo son necesarios y omnipresentes en la síntesis de imágenes fotorrealistas.
  3. Aprender y experimentar con técnicas de aprendizaje automático (ML) para potenciar los métodos de Monte Carlo aplicados a PBR.
    Competencias relacionadas: CB8, CB9, CT3, CT4, CT6, CT7, CEA12, CB6, CEA13, CEA3, CG3, CG2, CEP1, CEP3, CEP4,
    Subcompetences:
    • Análisis de los diferentes enfoques basados en ML para superar algunas de las limitaciones de los metodos de Monte Carlo para PBR.

Contenidos

  1. Bloque 1: Introducción a los gráficos por ordenador y las técnicas de renderizado
    Este primer bloque proporciona una visión general del campo de gráficos por ordenador y los principales retos actuales. También proporcionará detalles sobre el problema aún abierto de la renderización basada en la física (PBR) y la ecuación de transporte de la luz (LTE) en la que nos centraremos durante este curso.
  2. Bloque 2: Métodos de Monte Carlo para la renderización basada en la física
    Este bloque presenta el uso de los métodos de Monte Carlo para PBR. Veremos por qué los métodos de Monte Carlo son necesarios y omnipresentes en la síntesis de imágenes fotorrealistas, cómo mejorar su rendimiento mediante técnicas de reducción de varianza y las principales limitaciones de los enfoques típicos.
  3. Bloque 3: Aprendizaje Automático (ML) para potenciar los métodos de Monte Carlo aplicados a PBR
    En este tercer bloque trataremos diferentes enfoques basados en ML para superar algunas de las limitaciones identificadas en el bloque anterior.

Actividades

Actividad Acto evaluativo




Presentación Estudiantes

Presentació Estudiants
Objetivos: 3
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
3h

Metodología docente

El horario semanal de actividades presenciales se distribuye en dos horas de clase que incluye teoría y práctica.

En la medida de lo posible, la perspectiva de género se incorporará al desarrollo de la asignatura. Además, los profesores estarán atentos a aquellas necesidades específicas de género que los estudiantes puedan plantear, como poder elegir una pareja del mismo género si se realiza un trabajo en grupo o ser capaz de plantear retos contra la brecha de género.

Método de evaluación

El curso seguirá una evaluación continua que consiste en:

Proyecto práctico (60%) + Presentación e informe sobre un trabajo de investigación (40%).

Los estudiantes trabajarán en grupos. Las notas para presentaciones orales, desarrollo de proyectos e informes presentados otorgarán de manera individual.

Bibliografía

Básica:

  • 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.

Adenda

Plan de contingencia

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.