今年，SIGGRAPH 2022 首次设置了最佳论文奖，共有五篇。此外，备受瞩目的最佳博士论文也于近日揭晓。
近日，SIGGRAPH 公布了今年大会的一系列奖项。
ACM SIGGRAPH 是计算机图形学顶级国际学术会议，创立于 1974 年，已经发展成为由对计算机图形学和交互技术感兴趣的研究人员、艺术家、开发人员、电影制作人、科学家和商业人士组成的国际社区。
今年的 SIGGRAPH 将于 8 月 8 日至 11 日在温哥华举行，同时也可线上参会。
最引人注目的是，SIGGRAPH 2022 首次引入了最佳论文和最佳论文荣誉奖项。获奖论文从数百篇论文中选出，需要在研究上具有突破，并对计算机图形学和交互技术的未来研究做出创新性贡献。
SIGGRAPH 最佳论文奖
1、Image Features Influence Reaction Time: A Learned Probabilistic Perceptual Model for Saccade Latency
- 论文链接：https://www.immersivecomputinglab.org/wp-content/uploads/2022/05/siggraph_2022_saccade_latency-2.pdf
- 机构：纽约大学、普林斯顿大学、英伟达
- 获奖理由：该研究提出了一个受神经学启发的感知模型来预测人眼反应延迟期，作为在屏幕上被观察图像特征的函数。该模型可以作为预测和改变电子竞技与 AR/VR 应用中反应延迟的指标。
2、CLIPasso: Semantically Aware Object Sketching
- 论文链接：https://arxiv.org/abs/2202.05822
- 机构：洛桑联邦理工学院（EPFL）、特拉维夫大学、赫兹利亚跨学科研究中心（Reichman University）
- 获奖理由：该研究提出了一种在不同抽象级别绘制对象的方法——CLIPasso。其中将草图定义为一组笔画，为了适应基于 CLIP 的感知损失，该研究使用可微光栅化器来优化笔画的参数。抽象程度是通过改变笔画的数量来控制的。
3、Instant Neural Graphics Primitives with a Multiresolution Hash Encoding
- 论文链接：https://nvlabs.github.io/instant-ngp/assets/mueller2022instant.pdf
- 机构：英伟达
- 获奖理由：神经网络作为图形基元的高质量表征出现，如符号距离函数、光场、纹理等。这项研究提出的方法可以在几秒钟内训练这些原语，在几毫秒内将其呈现，同时允许在图形算法的内部循环中使用它们。
4、Spelunking the Deep: Guaranteed Queries on General Neural Implicit Surfaces
- 论文链接：https://arxiv.org/abs/2202.02444
- 机构：多伦多大学
- 获奖理由：这项研究针对神经元隐式曲面，开发了光线投射、最近点、交点检测、空间层次构建等几何查询方法。其关键工具是范围分析，它自动计算神经网络输出的局部边界。即使在随机初始化的网络上，结果查询也能保证准确性。
5、DeepPhase: Periodic Autoencoders for Learning Motion Phase Manifolds
- 项目链接：https://github.com/sebastianstarke/AI4Animat
- 机构：爱丁堡大学、麻省理工学院
- 获奖理由：学习身体动作的时空结构是角色动作合成的一个基本问题。这项研究提出了 Periodic Autoencoder，可以从非结构化的运动数据学习身体运动的时空结构。该网络产生一个多维相流形，有助于增强神经特征控制器和运动匹配的各种任务，包括不同的运动、基于风格的运动、舞蹈音乐或足球运球。
SIGGRAPH 最佳博士论文奖
此前，ACM SIGGRAPH 官方还公布了今年的最佳博士论文奖，由加州大学伯克利分校的博士 Xue Bin (Jason) Peng 摘得。Xue Bin Peng 已成为加拿大西蒙菲莎大学助理教授，同时他也是英伟达的一名研究科学家。
值得一提的是，他在 2017 年作为加拿大不列颠哥伦比亚大学硕士生时就获得过 SIGGRAPH SCA 最佳学生论文奖。
左为他当时的导师 Michiel van de Panne，右为 Xue Bin (Jason) Peng。
此次，他的获奖博士论文题目为《Acquiring Motor Skills Through Motion Imitation and Reinforcement Learning》，其提出了一种机器人模仿学习的动作模仿技术。
