机构名称：
¥ 1.0
人工智能（AI）在计算机视觉和自然语言处理等领域取得了巨大的成功，主要是通过大规模培训数据来实现的。但是，在没有大数据的领域，AI的变革潜力在很大程度上仍然是不受欢迎的。这种限制在涉及3D几何形状的字段中很明显，例如3D计算机视觉，计算机图形和物理模拟，因为现有的3D数据集仍然比视觉和语言域中的同行小的数量级。相比之下，这些领域开发了丰富的数学模型，例如物理学中图形和管理方程的差异几何形状，而无需依赖大数据。我的研究理念集中在将经典数学模型与现代机器学习方法相结合，以解锁AI在数据约束领域中的潜力。基于这种理念，我研究了如何创建可以生成[1-8]并分析[9-13] 3D空间数据的AI。具有计算机视觉，机器学习和计算机图形的背景，我开创了范式转向使用连续的神经场来表示3D几何形状，从而改变了3D数据的生成和处理方式。我的作品获得了重大认可，并影响了其他科学学科，例如化学[14]和物理学[15]。展望未来，我的长期研究目标是通过建模和学习方法的协同作用，使不同的科学学科赋予AI的潜力。我计划建立一个实验室，以探索从几何相关领域到其他科学领域的数据受限域中应用机器学习的基本原理。我的实验室将研究问题，例如如何设计利用域特异性属性的数据有效的神经网络体系结构[16]，以及如何应用机器学习以完成图形和工程中的复杂设计[6]。我期待着发起跨学科的合作，以应用机器学习，以赋予不同的科学和工程应用程序，例如在有限观察下解决偏微分方程[17]。
有限数据学习
主要关键词
相关文件推荐
