HASH GAME - Online Skill Game GET 300

　　一篇是在 2017 年读博期间，他与刘洋、童欣等研究员所组团队完成的论文，题为“O-CNN: octree-based convolutional neural networks for 3D shape analysis”（SIGGRAPH 2017）。为了解决三维神经网络效率低下的问题，他们创造性地提出基于八叉树的三维卷积神经网络（O-CNN），该方法利用三维数据的稀疏性，结合高效的八叉树数据结构，把神经网络的运算和存储限制在非零的三维稀疏信号上。在输入信号分辨率比较高时，相对于基于体素的三维卷积神经网络，该方法在内存、时间效率上都达到了上百倍的提升。这篇论文目前已获得超过 1000 次引用量，可以说在计算机图形学领域轰动一时。

　　在这一想法的驱动下，他几乎是怀着迫切的心情，反复琢磨试验，于 2023 年独立完成了第二篇得意之作“OctFormer: Octree-based Transformers for 3D Point Clouds”（SIGGRAPH 2023）。在这篇论文中，他巧妙地发掘了八叉树数据结构在提升 Transformer 速度上的出色性能，提出的点云注意力机制可以通过开源库在 10 行代码中实现，并且当点数超过 200k 时，运行速度比其他已有注意力机制快 17 倍。

　　“我们于 2017 年提出的八叉树卷积神经网络 O-CNN 在图形学领域非常出名，但在计算机视觉领域却相对应用较少。在我们的 O-CNN 发表之后，计算机视觉领域的研究人员于 2018 年研发了基于哈希表的稀疏卷积，并做了很好的开源代码实现。基于哈希表的稀疏卷积和我们的 O-CNN 的执行方式其实是完全一样的，唯一的区别是他们使用了哈希表来组织稀疏数据，而我们使用了八叉树。在深入对比二者之后，我发现八叉树的卷积在 GPU 上更好实现。构建八叉树等效于对点云进行 Z 形状的排序，数据的空间局部性也更强，因而在 GPU 执行效率也会更高。当大家都被基于哈希表的稀疏卷积吸引时，我坚信八叉树的神经网络会有更强的性能并长期地使用它，可以说我对八叉树的各种性质特点已经烂熟于心，因此才会激发我做出 OctFormer。”

　　AI 2000学者排名由AMiner科技情报分析与挖掘平台发布，旨在通过AMiner学术数据在全球范围内遴选过去十年人工智能学科最有影响力、最具活力的AI顶级学者。2024年AI 2000学者排名评选基于2014-2023十年间人工智能领域46家顶级期刊会议收录的共计212,944篇论文、274,682位作者的大数据，采用智能算法自动化生成排名，得到200位“AI 2000最具影响力学者奖”以及1800位“AI 2000最具影响力学者提名奖”。