第六届Jittor人工智能算法挑战赛正式开赛

第六届Jittor（计图）AI算法挑战赛获得了国家自然科学基金委信息科学部的指导，由清华大学-腾讯互联网创新技术联合实验室与北京信息科学与技术国家研究中心于2021年共同发起，是一项依托清华大学Jittor深度学习框架开展的AI算法竞技赛事。

该项赛事欢迎广大在校师生及人工智能行业的从业者踊跃参与，其核心目的在于借助竞赛的形式，增强大众在数据处理与分析方面的算法研发及应用水平，进而促进国产自主AI平台的生态构建与AI应用研究的纵深发展。

本届赛事特别邀请了AI界顶尖专家及相关领导组建指导委员会，同时成立了由IT企业资深技术专家、科研院所及高校学者构成的专家委员会，主要负责赛事的评审把关工作。具体名单如下。

指导委员会名单（依据拼音首字母排序）：

1.戴琼海，清华大学教授、中国工程院院士、中国人工智能学会理事长

2.胡事民，清华大学教授、中国科学院院士、中国计算机学会副理事长

3.刘 克，国家自然科学基金委信息科学部原常务副主任

4.梅 宏，北京大学教授、中国科学院院士

5.沈向洋，粤港澳大湾区数字经济研究院理事长、美国工程院外籍院士

6.王怀民，国防科技大学教授、中国科学院院士

7.吴国政，国家自然科学基金委信息科学部二处(计算机、人工智能)处长

8.徐宗本，西安交通大学教授、中国科学院院士

9.查红彬，北京大学教授

10.张钹，清华大学教授、中国科学院院士

11.章毅，四川大学教授

12.周志华，南京大学教授、中国科学院院士

专家委员会名单（依据拼音首字母排序）：

1.白 翔，华中科技大学教授

2.程明明，南开大学教授

3.董未名，中科院自动化所研究员

4.高 林，中科院计算所研究员

5.郭延文，南京大学教授

6.黄 华，北京师范大学教授

7.李庆利，华东师范大学教授

8.刘 偲，北京航空航天大学教授

9.吕 琳，山东大学教授

10.孟德宇，西安交通大学教授

11.闵卫东，南昌大学教授

12.童若锋，浙江大学教授

13.王巨宏，腾讯公司技术委员会主任

14.王志衡，国家自然科学基金委信息科学部二处(计算机、人工智能)副处长

15.魏哲巍, 中国人民大学教授

16.严骏驰，上海交通大学教授

17.张 蕾，四川大学教授

18.张松海，清华大学教授

19.郑伟诗，中山大学教授

20.左旺孟，哈尔滨工业大学教授

21.周明辉, 北京大学教授

本届赛事共设立了两个热身项目（点云分类、基于引用网络的论文分类任务）以及两项正式赛道（点云去噪任务、基于图学习的动态推荐任务），所有赛题均规定须采用计图深度学习框架来解答。参赛队伍必须至少完成一项热身赛，方有资格晋级正式赛道的角逐。

赛事报名及参与的官方通道如下：

https://www.educoder.net/competitions/Jittor-7

热身赛介绍

设立热身赛的初衷在于辅助参赛者快速掌握计图框架的使用，同时对报名队伍进行初步筛选。参赛团队同样需要至少通过一项热身赛才能解锁正式赛道的参赛资格。

热身赛题一：基于引用网络的论文分类

题目概述：本任务要求在Cora论文引用数据集上构建并训练图卷积网络（GCN）模型，以实现对论文所属主题的归类。数据集中，论文由节点表示，论文间的引用关系由边来体现，而节点的特征属性则是论文标题及摘要对应的词袋（BoW）特征。官方为选手准备了示例代码，其中包含了模型构建、训练流程及数据获取等核心功能。

热身赛题二：三维点云分类

题目概述：本任务需在经典的三维形态数据集ModelNet40[1]上训练点云分类模型，用以预测三维点云的具体类别。该数据集的每个样本均包含2048个从物体网格表面均匀采样并归一化至单位球的三维点，覆盖了桌子、椅子、飞机等40种常见物体类别。官方基于计图(Jittor）框架提供了点云Transformer(PCT)[2]的Baseline示例代码，涵盖了数据加载与下载、模型搭建、推理预测及训练步骤等关键功能。

正式赛道一：基于图学习的动态推荐

近些年，伴随交易网络、社交网络及推荐系统等应用场景的迅猛发展，基于图学习的动态推荐任务正逐渐成为学界与业界的研究热点。在这些应用场景里，作者、网页、物品与用户之间的交互关联会随着时间的推移不断演变，进而构建出富含时序信息的动态图结构。与传统的静态图推荐或静态推荐不同，动态推荐不仅要对图结构进行建模，还必须精准描绘出用户行为的演变轨迹及潜在的时序规律。

本赛题重点关注动态图领域的未来交互预测难题。给定历史的时序交互数据，模型需学习节点的特征表示及其演化法则，从而推断出未来最可能发生的新交互。该任务在网页跳转预测、论文引用预测、好友推荐、商品推荐等实际场景中有着广泛应用，具备极高的应用价值与研究意义。近期的相关研究[3]表明，在常见的动态图推荐数据集中，重复推荐的比例较高，模型极易依赖对历史连接的记忆，从而忽略了对真实动态模式的深入建模。鉴于此，怎样增强模型在动态环境下的泛化能力，以及对“未来新内容”的推荐效果，成为了该研究方向的核心挑战。

本赛题依托开源的图学习框架JittorGeometric进行设计，鼓励参赛选手融合序列建模、图Transformer、动态图神经网络等技术，对大规模的动态交互数据展开高效建模，并顺利完成未来链接预测任务。赛事将提供源自真实场景的推荐图数据，参赛者需依据历史交互序列开展表示学习，随后对测试集与验证集中的候选连接进行打分或排序。官方为大家准备了基于JittorGeometric实现的CRAFT方法作为Baseline[4]。

正式赛道二：基于深度学习的点云降噪

近期，得益于深度相机、结构光扫描、激光雷达等三维传感技术的飞速进步，点云数据已演变为三维图形学与计算机视觉领域最核心的数据表现形式之一。然而，受环境干扰、传感器精度等客观因素制约，实际采集到的点云通常会夹杂大量偏离真实物体表面的噪声。不同于传统依赖手工设计几何先验的滤波手段，基于深度学习的点云降噪任务能够凭借强大的数据驱动特性，有效学习噪声模式与局部几何特征，进而更加鲁棒地还原出真实的物体表面，这正逐步成为该领域的热门研究方向。

本赛题重点关注基于深度学习的点云降噪技术。给定从三维物体表面采样且受噪声污染的点云数据，模型需预测各个点的位移向量，将带有噪声的点“推回”至真实物体表面附近，最终输出纯净的降噪点云。该任务在文化遗产数字化、机器人与自动驾驶感知、表面法向估计、高质量三维重建等实际应用中扮演着重要角色，具有显著的研究价值与应用意义。在实际应用场景中，如何应对噪声分布的多样性、保留尖锐边缘等几何细节，以及如何确保面对大规模点云时的计算泛化能力与可扩展性，构成了该方向的关键技术挑战。

本赛题依托计图(Jittor)[6]深度学习框架进行开发设计，鼓励参赛选手结合多步迭代策略、注意力机制、强大的点云特征提取网络或基于分数匹配的扩散模型等前沿方法，对含噪点云进行高效的建模与降噪处理。赛事将提供基于ShapeNet等常见三维物体的大规模点云数据集，参赛者需预测位移向量以还原真实的几何表面。官方提供了基于Jittor实现的StraightPCF[5]方法，并采用MLP解码器与动态图卷积特征提取的位移预测架构作为Baseline。

第六届Jittor人工智能算法挑战赛于4月9日正式拉开帷幕，4月18日公布A榜评测数据集，7月15日截止报名，9月进行决赛答辩；详细的时间规划如下。

全体参赛者均须在头歌平台上完成注册与报名手续，并务必保证所填写的注册信息真实有效。

https://www.educoder.net/competitions/Jittor-7

参赛选手需在赛事规定的时间范围内，利用Jittor深度学习框架来完成模型的预测、训练及设计工作。

为协助广大用户迅速掌握计图框架，头歌平台联合Jittor团队推出了计图深度学习框架实践课程。该课程系统且全面地讲解了模型库的使用、计算机视觉任务的实现、基础网络结构的编写、模型训练测试流程以及Jittor深度学习框架的基础模块。学习此课程需要具备一定的深度学习基础与Python编程能力。

计图深度学习框架实践课程的官方主页如下：

https://www.educoder.net/paths/89rcg6jn

关于Jittor的详细信息与教程，请访问Jittor官网、Gitlink页面或GitHub主页：

https://cg.cs.tsinghua.edu.cn/jittor/

https://github.com/Jittor/Jittor

https://www.gitlink.org.cn/Jittor/jittor

参赛者可选择单人成队，也可2至3人组队参赛。每位参赛者仅能加入一支队伍，且报名截止后将无法更改队伍成员。本次大赛的总奖金池高达28万元，两个赛题将独立进行评审，各赛题的具体奖项设置如下。

荣获两个赛道冠军的队伍，将被邀请将其创新的算法与模型成果，以short communication的形式发表在Computational Visual Media(IEEE)期刊上。CVMJ的影响因子高达18.3，在Web of Science计算机软件工程类的132本期刊中高居榜首。

在赛事中取得优异成绩的选手，还有机会获得腾讯校园招聘（含实习生招聘）的绿色通道或相关便利条件，有效提升简历的曝光率与面试的发起概率。

本届赛事的最终评奖将依据B榜成绩来决定。竞赛组委会将对B榜排名前列的队伍进行代码与模型审核，要求其在Jittor平台上复现榜单上的最优成绩；审核通过的各赛道前10名队伍将成功晋级决赛答辩环节。

此外，大赛特别设立了赛事交流QQ群：717152103，方便大家进行在线学习与探讨。欢迎大家持续关注！

诚挚欢迎广大AI领域从业者及在校师生踊跃报名参赛！

参考文献列表

Zhirong Wu, Shuran Song, Aditya Khosla, Fisher Yu, Linguang Zhang, Xiaoou Tang, Jianxiong Xiao， 3D ShapeNets: A deep representation for volumetric shapes. CVPR 2015: 1912-1920

Meng-Hao Guo, Junxiong Cai, Zheng-Ning Liu, Tai-Jiang Mu, Ralph R. Martin, Shi-Min Hu， PCT: Point cloud transformer. Computational Visual Media, 2021, 7(2): 187-199.

Farimah Poursafaei, Shenyang Huang, Kellin Pelrine, Reihaneh Rabbany,Towards better evaluation for dynamic link prediction, Advances in Neural Information Processing Systems (NeurIPS), 2022, 32928-32941.

Yi Lu, Runlin Lei, Fengran Mo, Yanping Zheng, Zhewei Wei, and Yuhang Ye, Future Link Prediction Without Memory or Aggregation, Advances in Neural Information Processing Systems (NeurIPS), 2025.

Dasith de Silva Edirimuni, Xuequan Lu, Gang Li, Lei Wei, Antonio Robles-Kelly, Hongdong Li, StraightPCF: Straight Point Cloud Filtering, CVPR 2024, 20721-20730.

Shi-Min Hu, Dun Liang, Guo-Ye Yang, Guo-Wei Yang, Wen-Yang Zhou, Jittor: a novel deep learning framework with meta-operators and unified graph execution, Science China Information Sciences 2020, 63(12), 222103.

大家可通过下方的二维码关注清华大学图形学实验室，以获取关于深度学习框架、人工智能、图形学、CVM会议以及CVMJ期刊的最新资讯。