Portrait de Derek Nowrouzezahrai

Derek Nowrouzezahrai

Membre académique principal
derek@mila.quebec
Chaire en IA Canada-CIFAR
Professeur agrégé, McGill University, Département de génie électrique et informatique
Sujets de recherche
Apprentissage de représentations
Apprentissage par renforcement
Apprentissage profond
Modèles génératifs
Photographie computationnelle
Systèmes dynamiques
Vision par ordinateur
Google Scholar

Biographie

Derek Nowrouzezahrai est professeur titulaire à l'Université McGill, directeur du Centre sur les machines intelligentes et codirecteur du Laboratoire de graphisme et d’imagerie de McGill (MGIL), ainsi que titulaire d’une chaire en IA Canada-CIFAR et de la chaire Ubisoft-Mila de mise à l'échelle des univers de jeux grâce à une IA responsable.

Ses recherches portent sur la simulation de divers phénomènes physiques - tels que la dynamique des objets en mouvement et l'éclairage pour la synthèse d'images réalistes - avec des applications dans les domaines de la réalité virtuelle, des jeux vidéo, de la simulation fluide et contrôlée, de la fabrication numérique, de l'optique augmentée par le calcul et du traitement de la géométrie. En outre, Derek s'intéresse au développement de simulateurs dérivables de ces systèmes dynamiques et à leurs applications aux problèmes inverses en robotique et dans le domaine de la vision.

Son travail repose sur le développement de méthodes Monte Carlo à haute performance et efficaces en matière d'échantillonnage (chaîne de Markov), de statistiques d'ordre élevé et de méthodes de calcul pour les problèmes d'intégration multidimensionnelle complexes, de simulateurs dérivables basés sur la physique et de méthodes numériques pour les systèmes dynamiques, ainsi que sur l'application de l'apprentissage automatique aux médias 3D, visuels et interactifs.

Étudiants actuels

Daniel Bairamian
Doctorat - McGill
Paul Barde
Collaborateur·rice de recherche - McGill
Co-superviseur⋅e :
Chris Pal
Site web
Github
Google Scholar
Chris Emezue
Maîtrise recherche - UdeM
Superviseur⋅e principal⋅e :
Chris Pal
Site web
Github
Google Scholar
Chenbo Jiang Jiang
Doctorat - McGill
Daniel Kong
Doctorat - McGill
Github
Ken Ming Lee
Maîtrise recherche - McGill
Site web
Github
Hossam Mohamed S M Ahmed
Doctorat - McGill
Github
Somjit Nath
Doctorat - McGill
Superviseur⋅e principal⋅e :
Samira Ebrahimi Kahou
Site web
Google Scholar
Yasaman Sabbagh Ziarani
Doctorat - McGill
Yuanyuan Tao
Doctorat - McGill
Mattie Tesfaldet
Doctorat - McGill
Co-superviseur⋅e :
Chris Pal
Site web
Github
Google Scholar
Junha Yoo
Maîtrise recherche - McGill

Publications

Overcoming challenges in leveraging GANs for few-shot data augmentation
Christopher Beckham
Issam Hadj Laradji
Pau Rodriguez
David Vazquez
Derek Nowrouzezahrai
Chris Pal
2022-01-01
CoLLAs (publié)
proceedings.mlr.press
arxiv.org
Robust motion in-betweening
Félix Harvey
Mike Yurick
Derek Nowrouzezahrai
Chris Pal
In this work we present a novel, robust transition generation technique that can serve as a new tool for 3D animators, based on adversarial … (voir plus)recurrent neural networks. The system synthesises high-quality motions that use temporally-sparse keyframes as animation constraints. This is reminiscent of the job of in-betweening in traditional animation pipelines, in which an animator draws motion frames between provided keyframes. We first show that a state-of-the-art motion prediction model cannot be easily converted into a robust transition generator when only adding conditioning information about future keyframes. To solve this problem, we then propose two novel additive embedding modifiers that are applied at each timestep to latent representations encoded inside the network's architecture. One modifier is a time-to-arrival embedding that allows variations of the transition length with a single model. The other is a scheduled target noise vector that allows the system to be robust to target distortions and to sample different transitions given fixed keyframes. To qualitatively evaluate our method, we present a custom MotionBuilder plugin that uses our trained model to perform in-betweening in production scenarios. To quantitatively evaluate performance on transitions and generalizations to longer time horizons, we present well-defined in-betweening benchmarks on a subset of the widely used Human3.6M dataset and on LaFAN1, a novel high quality motion capture dataset that is more appropriate for transition generation. We are releasing this new dataset along with this work, with accompanying code for reproducing our baseline results.
2020-08-12
ACM Transactions on Graphics (publié)
doi.org
arxiv.org
Pix2Shape: Towards Unsupervised Learning of 3D Scenes from Images Using a View-Based Representation
Sai Rajeswar
Fahim Mannan
Florian Golemo
Jérôme Parent-Lévesque
David Vazquez
Derek Nowrouzezahrai
Aaron Courville
2020-03-20
International Journal of Computer Vision (publié)
doi.org
arxiv.org
Adversarial Soft Advantage Fitting: Imitation Learning without Policy Optimization
Paul Barde
Julien Roy
Wonseok Jeon
Joelle Pineau
Chris Pal
Derek Nowrouzezahrai
Adversarial imitation learning alternates between learning a discriminator -- which tells apart expert's demonstrations from generated ones … (voir plus)-- and a generator's policy to produce trajectories that can fool this discriminator. This alternated optimization is known to be delicate in practice since it compounds unstable adversarial training with brittle and sample-inefficient reinforcement learning. We propose to remove the burden of the policy optimization steps by leveraging a novel discriminator formulation. Specifically, our discriminator is explicitly conditioned on two policies: the one from the previous generator's iteration and a learnable policy. When optimized, this discriminator directly learns the optimal generator's policy. Consequently, our discriminator's update solves the generator's optimization problem for free: learning a policy that imitates the expert does not require an additional optimization loop. This formulation effectively cuts by half the implementation and computational burden of adversarial imitation learning algorithms by removing the reinforcement learning phase altogether. We show on a variety of tasks that our simpler approach is competitive to prevalent imitation learning methods.
arxiv.org