第一位主讲人是19级的王妮婷，她此次为大家分享的是一篇名为《A Survey of Temporal Antialiasing Techniques》的论文，这次分享内容主要是一项在图形学中非常经典的时域反走样技术，这项技术同时也广泛运用于各大游戏引擎和3D渲染器中。
妮婷同学为了更清楚的讲述该技术的工作原理，首先从图形学和采样理论两个角度解释了什么是走样和为什么会产生走样。归根结底，造成走样的原因在于采样率过低，跟不上信号变化的速度。为了解决和减少走样，可以从两个方向着手，一种方法是先低通滤波后采样，比如MSAA，另一方法是直接提高采样率，比如SSAA和将会提到的TAA。MSAA开销底，SSAA开销是前者的数倍，但是反走样效果更好。TAA可以算是两者中的一个权衡。它的基本思路是通过累计相邻数帧渲染样本，达到反走样的效果，同时高效地将对每个像素的超采样的开销分摊到过去连续多帧中，降低了当前帧的渲染开销和时间。
TAA具体会涉及到样本抖动、帧间像素采样点对应位置投影、样本累计等问题的实现，汇报中也有详细讲到该部分的内容。
原理图
此外，虽然图像帧与帧之间具有相关性，但是对于有运动物体的场景，并不能直接对历史样本帧进行复用。场景中物体的移动会造成物体之间遮挡关系、光照、阴影等效果发生改变，处理不当会造成严重鬼影。
因此在对历史帧进行复用前需要检测历史帧的有效性，并根据其有效性，作出丢弃或者修正历史帧样本的操作。为了保证对历史样本点的高效利用，合理地修正样本显然比直接丢弃更加有效，常见的修正当前帧和历史帧偏差的方法有基于启发式的neighborhood clamping方法、基于深度学习的修正方法等
第二个出场的是19级的裴建新，他此次为大家分享的是一篇名为《Functional mechanism: regression analysis under differential privacy》的论文，随着信息时代的发展人们对信息处理的速度、信息来源的多样性信息处理的价值也有了更高的要求.然而，随着从大数据中挖掘出各种各样的敏感信息，数据参与者的隐私受到了严重威胁，这迫使人们加强对数据的隐私保护。
建新同学在做背景介绍
接着裴建新同学介绍了算法的核心思想，该算法的主要特点在于：1）不直接向回归分析的结果注入噪音；2）通过干扰回归分析的优化目标函数来保证隐私，并进行了整个算法的推导证明。
建新同学在做推导介绍
最后建新同学指出FM是进行差分隐私回归分析的首选方法,是拉普拉斯机制的扩展，它不直接向回归结果中注入噪声，而是通过干扰回归分析的优化目标来保证隐私。论文先从理论上用大量数学公式进行推导，并且将推导的结果在实例数据集上进行了验证，得出了该算法的有效性
以下是王妮婷、裴建新同学在这次seminar中的表现评分。
