2021 ACM博士论文奖公布，两位NeRF提出者获荣誉提名

近日，新一届 ACM 博士论文奖正式公布。哈佛大学博士后研究员 Manish Raghavan 因其在「理解算法决策及其社会影响」方面的贡献获得了 2021 年度 ACM 博士论文奖。同时，最新一届的荣誉提名奖授予了斯坦福大学的 Dimitris Tsipras，以及谷歌研究院的 Pratul Srinivasan、Benjamin Mildenhall 二人，他们是神经辐射场 (NeRF) 表征、相关算法和理论的提出者。

ACM 博士论文奖每年颁发一次，旨在奖励计算机科学与工程领域最佳的博士论文的作者。博士论文奖的奖金为 2 万美元，荣誉提名奖的奖金总共有 1 万美元。

2021 年 ACM 博士论文奖

Manish Raghavan 因其论文《算法决策的社会影响》获得 2021 年 ACM 博士论文奖，据官方公告，该论文对理解算法决策及其社会影响做出了重大贡献，包括关于算法偏见和公平性问题的基础性成果。

Raghavan 现在是哈佛计算与社会研究中心的博士后研究员。他的主要兴趣是将计算技术应用于社会关注的领域，包括算法公平和行为经济学，特别关注在招聘渠道中使用的算法工具。此前，Raghavan 在加州大学伯克利分校获得了电气工程和计算机科学学士学位，在康奈尔大学获得了计算机科学硕士学位和博士学位。

算法公平性是 人工智能 中的一个领域，尽管处于职业生涯的早期阶段，但 Raghavan 一直是塑造这一研究方向和重点的领军人物之一。

在这篇获奖博士论文中，Raghavan 从多个维度讨论了算法决策的社会影响。第二部分讨论了利用理论模型来解决算法决策带来的挑战以及克服这些挑战的潜在途径；第三部分讨论了行为模型以更好地理解算法和人类决策之间的相互作用；第四部分探索了这些洞察如何在实践中体现，并研究了在就业和信用评分情况下的应用；第五部分总结了未来研究的一些开放方向。

论文链接：

https://ecommons.cornell.edu/bitstream/handle/1813/110626/Raghavan_cornellgrad_0058F_12490.pdf?sequence=1&isAllowed=y

NeRF 提出者获荣誉提名奖

2021 年 ACM 博士论文奖的荣誉奖分别由斯坦福大学的 Dimitris Tsipras 以及谷歌研究院的 Pratul Srinivasan、Benjamin Mildenhall 获得。

Dimitris Tsipras 的论文《Learning Through the Lens of Robustness》因其在对抗性鲁棒性 机器学习 研究和构建用于训练可信 机器学习 模型的高效工具方面的基础贡献而受到认可。

Dimitris Tsipras 是斯坦福大学的博士后学者。他的研究重点是理解和提高 机器学习 系统在面对现实世界时的可靠性。Tsipras 毕业于雅典国立技术大学的电气和计算机工程系，并在麻省理工学院取得计算机科学硕士和博士学位。

Tsipras 的研究做出了多项开创性贡献，推动了当今 ML 面临的最大挑战之一的解决：让 ML 真正为实际部署做好准备。

论文链接：https://dspace.mit.edu/handle/1721.1/140148

Pratul Srinivasan 和 Benjamin Mildenhall 因提出神经辐射场 (NeRF) 表征、相关算法和理论以及将其成功应用于视图合成问题，共同获得了本届荣誉提名奖。

论文链接：https://arxiv.org/pdf/2003.08934.pdf

NeRF 的提出激发了大量的后续研究，相关出版物在 计算机图形 学文献中实现了增长极快的引用率，迄今引用量已破千。

ACM 官方公告表示，Srinivasan 的论文《 深度学习 视图合成的场景表征》和 Mildenhall 的论文《视图合成的神经场景表征》解决了 计算机视觉 和 计算机图形 学中一直以来悬而未决的问题。该问题在视觉中称为「视图合成」，在图形中称为「非结构化光场渲染」，涉及仅拍摄场景的少量照片并从任何中间视点预测新图像。

Pratul Srinivasan 是谷歌的一名研究科学家，专注于 计算机视觉 、 计算机图形 学和 机器学习 交叉领域的问题。他在杜克大学获得生物医学工程学士学位和计算机科学学士学位，在加州大学伯克利分校获得计算机科学博士学位。

论文链接：https://www2.eecs.berkeley.edu/Pubs/TechRpts/2020/EECS-2020-214.pdf

从图像中重建逼真的场景表征一直是 计算机视觉 和图形学的一个长期目标，以往研究通常使用来自标准 计算机图形 学 pipeline 的表征来解决，如三角网格（triangle mesh），但这一方法不太适合端到端的优化，从而影响了最大限度地提高渲染图像的逼真度。

Srinivasan 的博士论文《Scene Representations for View Synthesis with Deep Learning》探讨了三维场景如何表征的问题，这样的表征可以有效地估计从标准的照片，然后可以用来从新的不可观测的视角合成同一场景的图像。

最近，Srinivasan 一连七项关于 NeRF 的研究入选了 CVPR 2022，其中五篇 Benjamin Mildenhall 也参与了研究。

Benjamin Mildenhall 是谷歌研究院的一名研究科学家，主要研究 计算机视觉 和图形方面的问题。他在斯坦福大学获得了计算机科学和数学学士学位，在加州大学伯克利分校获得计算机科学博士学位。

视图合成是指使用一组给定的输入图像从新的视角渲染场景。最近的一些方法结合了 深度学习 和立体渲染技术来获得逼真的图像质量。然而，这些方法依赖于密集的 3D 网格表征，只允许少量的本地相机运动，且很难扩展到高分辨率。

论文链接：https://www2.eecs.berkeley.edu/Pubs/TechRpts/2020/EECS-2020-223.pdf

Mildenhall 的博士论文《Neural Scene Representations for View Synthesis》提出了一种新的基于神经辐射场的视图合成方法，该方法可以高效地将场景表征为由 神经网络 权值 参数 化的连续函数。

参考链接：https://awards.acm.org/doctoral-dissertation