2月20日至27日，人工智能领域顶级会议AAAI Conference on Artificial Intelligence (AAAI 2024)在加拿大温哥华召开，我校信息工程学院智能媒体处理团队王美丽教授有关三维点云特征学习方面的研究成果“DHGCN: Dynamic Hop Graph Convolution Network for Self-supervised Point Cloud Learning”，唐晶磊副教授有关运动生成方面的研究成果“HuTuMotion: Human-Tuned Navigation of Latent Motion Diffusion Models with Minimal Feedback”在大会上发表。

第一篇论文DHGCN提出一种点云块连接距离预测的自监督学习任务，并将连接距离矩阵通过图注意力机制嵌入到网络模型中，达到了目前无监督/自监督点云学习领域最佳的性能。该论文由我校联合澳大利亚拉筹伯大学、北京大学和澳大利亚新南威尔士大学发表，我校2023届硕士研究生姜金岑和赵励志为共同第一作者，我校王美丽教授和拉筹伯大学鲁学权博士为联合通讯作者。本文首次考虑到点云块的全局连接情况，并依据连接距离构建图结构。通过预测点云块之间的连接距离矩阵，学习点云块之间的空间几何结构以及上下文语义联系，使用图注意力机制动态地将距离矩阵嵌入到图卷积神经网络中，使得距离较近的点云块之间的特征影响程度越大，反之则越小。DHGCN能够有效地学习到点云块之间的拓扑连接情况，从而丰富骨干网络学习到的特征信息，在点云分类、点云形状分割、点云场景分割等下游任务中均达到最好的效果。该研究受到科技创新2030专项、陕西重点研发计划和首批学院高水平创新团队建设项目支持。

                                   DHGCN点云块连接距离矩阵动态预测     点云场景分割结果示例

第二篇论文HuTuMotion提出一种人类反馈引导的潜在运动扩散模型，由我校联合腾讯AI Lab，墨尔本大学等4家高校和研究单位发表，我校硕士生韩高格为一作，我校唐晶磊副教授和腾讯AI Lab黄少立博士为联合通讯作者。本文提出了一种称为HuTuMotion的方法，通过利用少量人类反馈来引导潜在运动扩散模型来生成自然、高质量的人类运动。与现有方法不同，该方法不是从标准正态先验分布中采样潜在变量，而是通过调整先验分布以更好地适应数据的特征，从而提高了运动生成的质量。此外，该方法可以实现个性化和风格感知的人类动作生成应用。实验结果显示，该方法在性能上明显优于现有的最先进人类动作生成方法。

人类反馈引导的潜在运动扩散模型框架

AAAI是人工智能领域的顶级会议之一，也是中国计算机学会（CCF）推荐的人工智能方向的A类会议，在全球人工智能领域有着很强的学术影响力。据悉，这是我校首次在AAAI上发表论文。我校信息工程学院2023届硕士研究生姜金岑代表团队参会。