ECCV 2022开奖！清华、浙大校友斩获最佳论文奖-技术圈

视学算法报道

编辑：David 好困

【导读】ECCV 2022各大奖项公布，最佳论文一、二作均为华人，本科来自清华、浙大。

10月23日，全球计算机视觉三大顶会之一，两年一届的欧洲计算机视觉国际会议ECCV（European Conference on Computer Vision）在以色列特拉维夫正式开幕。

根据大会组织方给出的数据，本次会议上，18310位作者共提交了6773篇论文，由276位区域主席（ACs）处理，并征求了4719位审稿人的意见。整个过程由项目主席（PC）监督，并得到总主席（GCs）的持续支持。

最后，有1645篇（28%）论文被接收，包括157篇Orals（2.7%）。

最佳论文奖

获最佳论文的奖是On the Versatile Uses of Partial Distance Correlation in Deep Learning，作者为Xingjian Zhen, Zihang Meng, Rudrasis Chakraborty, Vikas Singh，来自威斯康星大学麦迪逊分校和Butlr。

论文地址：https://arxiv.org/abs/2207.09684

主要内容：

对神经网络模型的功能行为进行比较，无论是随着时间的推移的单一网络，在训练中或训练后的多个网络，都是了解这些网络在学习什么（以及没有学习什么），确定正则化或效率改进策略的重要步骤。

尽管最近在这个领域取得了一些进展，但系统的功能比较，特别是不同网络之间的功能比较，仍然是很困难的，往往是逐层进行的。

本文重新审视了一种不太广为人知的来自统计学的方法，称为距离相关，旨在评估不同维度的特征空间之间的相关性。文中描述了对大规模模型进行部署的必要步骤，可以为一系列新应用的开发打开大门，比如可以调节一个深度模型与另一个模型的关系、学习不相干的表征以及优化不同的模型等。

实验表明，一个多功能的正则器（或约束）具有许多优点，可以规避在这类分析中面临的一些常见困难。

本文一作Zhen Xingjian是威斯康星大学麦迪逊分校计算机科学系的博士生，同样师从Vikas Singh教授。他于 2017 年获得了清华大学电子工程系的学士学位。

目前研究兴趣是计算机视觉、深度学习、微分几何、统计学和医学成像。

另一位作者Zihang Meng目前是Meta AI的研究科学家。兴趣包括机器学习及其在计算机视觉中的应用。

他在威斯康星大学麦迪逊分校计算机科学系完成了博士学位，师从Vikas Singh。2017年，他在浙江大学获得了电子信息工程的学士学位。

最佳论文荣誉提名

此次共有2篇文章获得最佳论文荣誉提名奖。

题为Pose-NDF: Modeling Human Pose Manifolds with Neural Distance Fields的论文，作者是Garvita Tiwari, Dimitrije Antic, Jan E. Lenssen, Nikolaos Sarafianos, Tony Tung, Gerard Pons-Moll，来自图宾根大学、马克斯·普朗克计算机科学研究所和Meta现实实验室

论文地址：https://virtualhumans.mpi-inf.mpg.de/papers/tiwari22posendf/posendf.pdf

题为A Level Set Theory for Neural Implicit Evolution under Explicit Flows的论文，作者是Ishit Mehta, Manmohan Chandraker, Ravi Ramamoorthi，来自加利福尼亚大学圣迭戈分校。

论文地址：https://cseweb.ucsd.edu/~ravir/ishiteccv22.pdf

Koenderink奖（时间检验奖）

获奖论文为2012年发表的Indoor Segmentation and Support Inference from RGBD Images，作者Nathan Silberman, Derek Hoiem, Pushmeet Kohli 和 Rob Fergus，来自纽约大学、伊利诺伊大学香槟分校、微软研究院。

论文地址：https://cs.nyu.edu/~silberman/papers/indoor_seg_support.pdf

另一篇获奖论文为ECCV 2012上发表的A naturalistic open source movie for optical flow evaluation，作者Daniel J. Butler, Jonas Wulff, Garrett B. Stanley，Michael J. Black，来自华盛顿大学、德国马普研究所、佐治亚理工学院。