第一位主讲人是19级的郑克鲜，他此次为大家分享的是一篇名为《Percolation in multilayer complex networks with connectivity and interdependency topological structures》的论文，这篇论文提出了作者采用了一种“弱”依赖假设，利用画图构建了相应的模型，介绍了这种相互依赖和相互连通网络的级联失效过程。
克鲜同学首先介绍了在由电网和信息传输层组成的网络中，由于电流或电压的再分配造成的过载，电站的故障可能对电网中的相邻电站产生重大影响，电网中相邻节点之间存在着相互依赖关系。
然而，信息传输层的两个相邻节点并不是相互依赖的，当一个节点发生故障时，它的邻居可以通过它们剩余的可行邻居来传输信息。
模型
随后介绍了论文中根据这种复杂的网络模型，作者采用了一种“弱”依赖假设，即节点发生故障会导致其相互依赖邻居的多条边失效，但不一定导致所有相邻节点和边的失效。利用画图构建了相应的模型，介绍了这种相互依赖和相互连通网络的级联失效过程。。
最后介绍了论文中作者推导出了计算网络鲁棒性的理论推导公式，根据理论公式，可以计算一阶相变、二阶相变、混合相变的临界值。并且在随机网络和真实网络上做的实验，证明了节点间的相互依赖强度和相互依赖边的密度对系统的鲁棒性和在随机攻击情况下的系统破坏有很大的影响。
第二个出场的是19级的王静雯，她此次为大家分享的是一篇名为《Kernel Predicting Convolutional Networks for Denoising Monte Carlo Renderings》的论文，这篇论文是首篇将卷积网络用于全局光照图像重建的论文，详细的说明了将卷积网络应用于蒙特卡洛降噪的原因。
静雯同学在做光线追踪的背景价绍
王静雯同学首先为大家介绍了涉及这篇论文的一些基础知识。从光线跟踪到蒙特卡洛路径跟踪，详细的讲解了这两种方法的过程以及优缺点。由于光线跟踪只考虑了镜面物体的反射与折射，而忽略了漫反射物体的反射。但是现实情况中，漫反射物体对于光线是进行一个朝四面八方的反射，会反射很多条光线。由此便提出了蒙特卡洛路径跟踪。经过大量的采样，蒙特卡洛路径跟踪的效果已经达到了照片级的真实感。但会耗费大量时间，所以便提出了蒙特卡洛降噪，希望能用尽可能少的时间，重建出质量好的全局光照图像。
在介绍了蒙特卡洛路径跟踪之后，王静雯同学开始正式介绍蒙特卡洛降噪。她主要介绍了这篇论文的方法与基于卷积网络的图像去噪方法之间的不同之处。首先是数据集的不同，蒙特卡洛降噪使用的数据集是使用蒙特卡洛路径跟踪方法分别获得的低采样全局光照图像和高采样全局光照图像，并且在输入时还加入了一些图像的辅助信息，比如法线深度纹理等，这些辅助信息很容易获得，并且包含了很多场景的三维信息，将这些信息和低采样的全局光照图像一起输入进网络中，可以帮助网络更快的学习到低采样到高采样图像之间的映射关系。其次是这篇论文是将specular和diffuse分开进行训练，将两者分别进行训练可以得到更好的效果。最后一点是，这篇论文不是一个端到端的重建，它保存了每一个像素的滤波器的权重，接着如传统的图像去噪，用滤波器对每个像素的邻域做滤波，得到输出的像素值。
最后王静雯向我们展示了论文的重建效果，为我们讲解了重建效果的优点和不足，并通过这些效果，为这篇论文提出了可改进之处。
以下是郑克鲜、王静雯同学在这次seminar中的表现评分。
