【早鸟票倒计时14天】CCIG 2024学术论坛 ｜ 生成式人工智能论坛

报告题目：基于三维大模型的3D/4D内容生成

报告摘要：三维大模型与视频大模型是当前AIGC的热点，其结合是实现4D内容生成的重要路径。本报告将基于三维大模型（LRM）前沿进展，结合NeRF、3DGS、DMtet等各类三维表征方法，介绍报告人在高质量、快速三维对象生成方面的研究工作；进一步，基于Sora等视频生成模型，介绍4D人体动态生成方面的研究工作。

个人简介：刘烨斌，清华大学长聘教授，国家杰青基金获得者。研究方向为三维视觉、数字人重建、生成与交互。发表TPAMI/ SIGGRAPH/CVPR/ICCV等论文近百篇。多次担任CVPR、ICCV、ECCV领域主席，担任IEEE TVCG、CGF编委，中国图象图形学学会三维视觉专委会副主任。获2012年国家技术发明一等奖（排名3），2019年中国电子学会技术发明一等奖（排名1）。

字节跳动研究科学家

报告题目：多模态推理现状和展望

报告摘要：强人工智能（Strong AI）或通用人工智能（AGI）具备抽象推理能力，是下一代AI的目标。近期，大语言模型（LLMs）以及新兴的多模态大型语言模型（MLLMs）领域的进展展示了在广泛的多模态任务和应用中的卓越能力。特别是，不同的多模态模型，有不同的模型架构、训练数据和训练阶段，并且在不同的MLLM基准测试中进行了评估。这些研究在不同程度上揭示了MLLMs当前能力的不同方面。然而，MLLMs的推理能力尚未被系统地研究。在这次报告中，我们回顾了现有的多模态推理评估现状，分类并展示了MLLMs推理研究的前沿，介绍了MLLMs在推理任务中的应用趋势。

个人简介：尤全增目前在字节跳动担任研究科学家，主要的研究课题涉及到多模态领域的模型和推理。在加入字节跳动之前，他在Microsoft Azure Computer Vision担任研究员，主要的研究课题包含多相机多目标的检测和追踪，无人超市，单相机下多目标的追踪等。在博士期间主要研究多媒体内容理解的研究，包含情感分析，社交媒体，计算机视觉等相关的课题。

珠海金山办公软件有限公司技术总监

报告题目：知识的检索和生成 - 浅谈金山办公在文档问答领域的落地应用

报告摘要：提到AIGC生成式人工智能，大家的第一印象可能主要是文生文、文生图、文生视频等大热场景，其实还存在一个非常重要的应用场景：根据已有的文档通过大模型辅助进行文档阅读和理解，通过算法洞察用户的提问需求，结合已有的文档以及大模型的能力生成符合用户需求的答案。这个过程不像是常规的AIGC主要通过prompt控制大模型生成所需要的内容，而是把大模型当做功能链路中的一环或多环，通过结合CV和NLP小模型形成一个系统性方案，从而实现譬如chatPDF、知识库问答、客服系统等知识检索和再利用的目标。

个人简介：熊龙飞，男，研究生学历，毕业于德国基尔大学，电子信息科学与技术专业，研究生主要研究领域为：BCI（脑机接口）和图像处理，参与发表两篇IEEE EMBC文章。有过三次创业经历，现为金山办公技术总监，组建了文档AI团队。负责OCR、文档识别和理解、PDF编辑、扫描等多个重点项目的研发管理工作。团队相关技术成果已在PDF转化、拍照扫描、PDF编辑、WPS AI等多个业务上应用。申请专利二十余篇，其中七篇已获得授权。2021年起任中国图象图形学学会文档图像分析与识别专委会委员、CSIG青工委委员，珠海欧美同学会理事，2022年获得“珠海创新创业好青年”称号。

人民大学准聘副教授

报告题目：视觉扩散模型前沿进展

报告摘要：扩散概率模型逐步地对先验分布去噪恢复数据分布，可以有效地建模各类视觉数据。本次报告会介绍视觉扩散模型的前沿进展，包括基础架构设计与训练，视频生成、三维物体生成与可控编辑等方面的理论、算法和应用，并简单探讨视觉生成模型的未来发展。

个人简介：李崇轩，中国人民大学高瓴人工智能学院准聘副教授、博士生导师，2010-2019年获清华大学学士和博士学位。主要研究机器学习、深度生成模型，代表性工作Analytic-DPM、DPM-Solver作为核心采样技术部署于DALL·E 2、Stable Diffusion等。获国际会议ICLR杰出论文奖、吴文俊优秀青年奖、吴文俊人工智能自然科学一等奖、中国计算机学会优秀博士论文、ACM SIGAI 中国新星奖等。入选博新计划、北京市科技新星，主持、参与多项国家自然科学基金、科技部课题。担任ICLR 2024领域主席。

智源研究院视觉模型研究中心负责人

报告题目：生成式多模态模型：探索与实践

报告摘要：人类在上下文中轻松解决多模态任务的能力(即，只需要一些演示或简单的指令)，是当前多模态系统在很大程度上难以模仿的。在这项工作中，我们证明了多模态大模型任务不可知的上下文学习能力可以通过有效的缩放来显着增强。Emu2是一个具有370亿个参数的生成式多模态模型，具有统一的自回归目标，并在大规模多模态序列上进行训练。Emu2表现出强大的多模态上下文学习能力，甚至可以解决需要即时推理的任务，比如视觉提示和基于对象的生成。该模型在少样本设置中设置了多个多模态理解任务的新记录。当对指令进行调整以遵循特定的指令时，Emu2在具有挑战性的任务上进一步实现了最先进的新技术，例如多模态大模型的问答基准测试和开放式主题驱动生成。 

个人简介：王鑫龙, 智源研究院视觉模型研究中心负责人。本科毕业于同济大学，博士毕业于澳大利亚阿德莱德大学，师从沈春华教授。他的研究兴趣是计算机视觉和基础模型，近几年研究工作包括视觉感知 （SOLO, SOLOv2），视觉表征 (DenseCL, EVA)，视觉通才模型(Painter, SegGPT)，多模态表征(EVA-CLIP, Uni3D)，多模态通才模型(Emu, Emu2)。入选Google PhD Fellowship、国家海外高层次青年人才。