第一位主讲人是19级的裴建新，他此次为大家分享的是一篇名为《Eradicating catastrophic collapse in interdependent networks via reinforced nodes》的论文，这篇论文提出一个广义的渗透模型，该模型在相互依赖的网络中引入了一小部分增强节点，这些节点可以建立并支持它们的邻居。
渗透模型
裴建新同学首先为大家介绍了网络与节点之间的相互关联，在相互依赖的网络中，根据每项关联理论，通常假定如果节点失去了与网络巨型组件的连接，它们就变成无功能的。然而，在现实中，一些具有可选资源的节点，以及它们连接的邻居，在与这个巨大的组件断开连接后仍然可以正常工作。在此，我们提出并研究了一个广义的渗透模型，该模型在相互依赖的网络中引入了一小部分增强节点，这些节点可以建立并支持它们的邻居。
接着裴建新为我们介绍了该网络的模型。形式上，为了简单和不失一般性，我们的模型由两个网络组成，A和B，每个网络有N个节点，在网络A中，节点的度分布服从Pa(k)分布，在网络B中，节点的度分布服从Pb(k)分布，此外，还有一小部分的节点A通过依赖链接随机依赖于网络B中的节点，网络B中有一小部分节点qb的运行依赖于网络A中的节点，我们还在网络A和网络B中随机选择一部分节点进行加强，失败过程是通过从每个网络中随机删除一个分数为1-p的节点来启动的。在这种情况下，一个自治节点(不需要其他网络的支持的节点)会连接到自己网络的一个功能组件上而生存下来;如果该节点和它所依赖的节点都连接到它们自己的网络的功能组件，则该节点可以生存。
最后，我们通过分析与仿真模拟发现，无论是巨型组件还是小组件，其中包括至少一个加强节点。值得注意的是，我们发现，对于相互依赖的网络，我们只需要加强一小部分节点来防止突然的级联崩溃。此外,我们发现这个比例在两个相互依存的ER网络的普遍上界是是0.1756。
第二位主讲人是19级的欧阳娇，她此次为大家分享的是一个为《Image-based Ambient Lighting Rendering》的算法，本算法提出了一种将环境光照的计算转化为对纹理数据的查询。
欧阳娇同学首先介绍了环境光照,并指出环境光照的计算非常复杂，因为需要把环境中每一个点当作光源，无法直接从现实的物理世界对环境进行采样，所以需要把环境信息存储在一张纹理上。光照计算使用渲染方程作为光照模型。分为镜面反射和漫反射进行光照计算，整个渲染流程是加载环境贴图，将环境贴图通过立方体映射转换为立方体贴图，对立方体贴图进行预计算，分别产生辐照度贴图，预过滤贴图，BRDF积分贴图。分别对三个贴图进行采样，获得最终的渲染效果。
Image Plane
最后欧阳娇同学指出立方体映射的主要优点是整个映射是分段线性映射，即在立方体的每个面内的映射是线性的:立方体映射的主要缺点是它的光照值需要分别存储到6个纹理中，例如在读取的时候需要额外区分每个方向对应于立方体的哪个面。重要性采样使用多级环境贴图来减少低频区域内像素的读取次数，同时又具有很好的并行性，能够高效的实现在GPU.重要性采样的主要缺点：是它的样本随机性，往往需要更多数量的样本才能减少这种误差。基于图像的光照算法将环境光照的计算转变为对一个纹理的查询操作，这可以大大加速环境光照的计算。但是也忽略了局部物体之间的遮挡关系。
以下是裴建新、欧阳娇同学在这次seminar中的表现评分。
