2024CSIG青年科学家会议

前言

承蒙导师垂青，有幸作为校方代表参与此次为期三天的学术盛会。尽管自诩难称”学术饕餮”，但若论及对学术热忱的饥渴程度，倒颇有几分”学术候鸟”的执着（当然，会议茶歇的美味也着实令人难以抗拒）。

面对平行进行的十余个分论坛，我提前数日便着手制定学术日程：依据研究兴趣标注重点场次，设计多维度的会议记录模板。得益于周密的准备，最终成功覆盖各前沿领域的主旨报告。

尤为难得的是，通过实时笔记与晚间复盘相结合的方式，实现了学术养分的深度吸收。现选取最具启发的三场讲座，就其核心观点与创新方法论进行系统性梳理。

会议分享

探索面向图数据的大模型-石川（北邮）

垂直领域大模型这块，热度还是很高的，来学习的人数是上午场次最多的

之前我有在接触用图神经网络来优化花型问题，对这方面有一定学习基础，并还算抱有浓厚兴趣的。说实话，北邮也算是我的考研梦中情校之一。所以，这次讲座，也算我的必看list的首选。

会议中的这张图，真的非常有含金量，一图总结了GNN的历程，一定要好好反复学习这点：

一言总结会议内容——“苹果和菠萝的PPAP既视感”

关于北邮图实验室，目前在研究图的基础大模型，就是专研能否让GNN发挥LLM的作用。LLM干不了GNN的细活，GNN干不了LLM的粗活。那么图基础模型的目标，就是啪的一下，把两者整合，取长补短，兼容并包。

当然，图基础模型总体还处于探索阶段，目前主要思路是三种：

主要基于GNN优化
主要基于LLM优化
两者结合

目前北邮做了很多探索工作，也是走在最前沿。实验室的宣传也很响亮。

提问环节，台下提的问题很尖锐——相同的数据结构（图结构），不同的语义信息，这种数据作为训练集，该如何处理？石川教授坦言，这是目前难点。（大会中很多论坛的提问环节，提出的问题很多都是当前领域的难点，这些问题都非常有价值）

面向实时渲染的AI超分辨率技术-过洁（南京大学）

南大算是我梦中情校top1，本次大会有南大学者的论坛，我都特别关注了。并且“超分”我也在接触，所以这次讲座我也非常期待。

让我印象非常好的是，过洁老师的讲座是我个人评价的讲座top1。

节奏快且思路清晰，案例通俗易懂，让我直呼精彩。

一言以总结——渲染超分工作好

本次讲座中，过老师以NVIDIA DLSS为例，介绍了渲染超分。又说明了，相比自然图像超分，渲染超分有许多优势——数据集多（计算机内的数据集要多少有多少），预处理算法多（有G-buffer加持），有Motion vector（处理精确）。此外，还提到了南大实验室的补帧、知识蒸馏等工作，效果都非常惊艳。