高林

　　高林，男，汉族，1987年12月出生，中共党员，中国科学院计算技术研究所博士生导师、中国科学院青促会信管分会副会长。他是智能计算机图形学的先行者，研发了多项国际领先的图形建模技术；他提出了深度几何变形学习方法，大幅度提高了智能化几何模型建模的精度，相关研究工作获得了包括图灵奖得主在内的国际同行的肯定；他获得了中国计算机学会科学技术奖技术发明一等奖等奖励。他开发的智能人脸画板单日用户访问超过40000次，被186个国家和地区的用户所使用。由于他在计算机图形学领域的突出技术贡献，2020年他被亚洲图形学学会授予青年学者奖。

　　事迹详情：

　　申请人从清华大学博士毕业以后就入职中科院计算所开始研究工作。怀着对科研工作的热爱，他每天工作超过14个小时，全周无休，数年如一日地进行科研攻关。他围绕着智能图形分析与合成开展了系统和深入的研究工作，重点研究了高质量的图形建模方法和高精度的图形分析方法，取得了多项国际领先的研究成果。他获得了亚洲图形学会青年学者奖（每年亚洲仅有一位获奖者），中国计算机学会科学技术奖技术发明一等奖，中国仿真学会科技进步类一等奖等奖励，此外申请人还入选了英国皇家学会牛顿高级学者（国内信息学领域最年轻的入选者）、中国科协青年人才托举工程和中国科学院青年创新促进会，他在ACMSIGGRAPHTOG、IEEETVCG、CVPR等重要国际期刊和会议上发表学术论文40余篇，授权专利6项。此外，他担任了图形学顶会SGP、人工智能顶会AAAI和多项国际重要学术会议的程序委员。

　　可视媒体是真实世界数字化的重要载体，是计算机图形学的主要研究内容，其包括图像，视频和数字几何等，在工业制造、虚拟现实、数字娱乐等领域有着广泛的应用。如何精确表示三维几何数据，并提供高效的智能处理方法，以及如何高效地合成高质量的数字图像成为智能计算机图形学中重要的研究问题。为此，申请人围绕着智能计算机图形学开展一系列系统和原创性的研究工作，提出了结构化的智能计算机图形学研究方法，主要创新点和价值如下：

　　在智能化图形合成方面：可视媒体一个重要的研究内容是数字图像，人脸图像和动漫图像是数字图像中最为常见的内容，并且具有广泛的应用场景。对于没有专业训练的用户，很难画出高质量的人脸图像。为此，申请人基于结构化可视媒体编码的研究思路，提出了一种智能人脸画板（DeepFaceDrawing），可以极大地降低用户交互难度并合成高质量的人脸图像。该项工作发表在CCFA类会议SIGGRAPH，并被收录在中科院一区期刊ACMTransactionsonGraphis（ACMTOG）上，目前相关工作的介绍视频播放超过100万次，被包括NewScientist、凤凰网等国内外媒体广泛报道。对应软件自上线以来，被国内外用户广泛使用，单日最高访问量超过4万次，用户遍布全球186个国家和地区，取得了巨大的轰动效应，展示了我国在计算机图形学领域内的研究实力。卡通动漫是可视媒体另一个重要的研究内容，申请人为腾讯公司开发了一套图形卡通上色系统，并在腾讯公司获得应用，相应的论文发表在中科院一区期刊IEEETransactionsonVisualizationandComputeGraphics（IEEETVCG）上。中国计算机学会和腾讯公司共同为他颁发了腾讯和学术界合作的最高奖“CCF-腾讯犀牛鸟基金卓越奖”，该奖项每年仅有一位获奖者。

　　在高质量几何模型建模方面：三维图形是可视媒体的重要组成部分，三维图形建模在智能制造、工业仿真和数字经济领域有着至关重要的作用，但是已有的建模方法存在建模成本高、建模质量差的问题。针对这些挑战，申请人开展了系统的研究，创新性的提出了结构化深度几何变形学习方法，极大地提升了三维几何建模方法的精细几何和复杂结构的表达能力。他研究了三维几何模型大尺度变形表示方法RIMD（ACMTOG），并进一步提出适于深度几何学习的变形表示特征ACAP（IEEETVCG），相对于RIMD方法建模效率提升30倍以上，并以此为基础提出了全自动的三维几何运动分析复用方法（ACMTOG）和运动建模方法（IEEETVCG）以及高质量几何模型建模方法SDM-Net（ACMTOG），其建模精度超越已有最好的方法10倍以上。近期，他又提出了一种新颖的递归图网络几何结构编码方法DSG-Net（ACMTOG），有效解决了深度编码复杂三维几何结构的难题。这些工作获得了包括图灵奖得主Hinton教授和美国科学院、工程院两院院士斯坦福大学LeonidasGuibas教授等国际著名学者的高度评价，相关工作获得了“中国计算机学会科学技术奖技术发明一等奖”。

　　在高精度几何分析方面：三维点云是几何感知的基本模型，是计算机图形学的基本研究内容，如何重建三维点云对于无人驾驶、智慧城市数字化有着至关重要的作用。为此，他研发了一套基于几何学习方法的可以重建三维点云的相机设备，该设备以每秒100帧以上的速率对环境的三维几何进行感知和重建（IEEETVCG）。为了对点云和网格进行分析，他分别研发了高精度的分割与分类方法LaplaceNet（IEEETVCG）和VV-Net（CCFA类会议ICCV），在点云和网格分割的任务上都超越了目前业界最高的方法；他根据三维模型的内在对称属性提出了无需三维标注的对称性分析方法PRS-Net（IEEETVCG），该方法可以精准地分析三维几何模型的对称属性，并超越了业界最优的方法，该工作得到了普林斯顿大学Rusinkiewicz教授的高度评价，认为其“是第一个基于深度学习的三维模型对称性分析方法且效果卓越”，相关工作获得了“中国仿真学会科学技术进步一等奖”。

　　他还非常重视人才培养，指导多名研究生获得国家奖学金、中科院所长特别奖等奖励，指导多名本科生获得国科大优秀毕业论文。他曾指导国科大本科生在人工智能顶会AAAI上发表论文，这是国科大本科生首次在国际著名学术会议上发表高水平论文。