给LaTeX公式添加优美的注解；日更『数据科学』面试题集锦；大学生『计算机』自学指南；个人防火墙；前沿资料/论文 | ShowMeAI资讯日报

关注

原创最新推荐文章于 2026-06-13 16:30:42 发布 1.1w 阅读 AI 写同款· GEO 优化 ›

Unsupervised Out-of-Distribution Detection with Diffusion Inpainting 无监督的异常分布检测（OOD）旨在通过仅从未标记的域内数据中学习来识别域外数据。我们提出了一种用于此任务的新方法——提升、映射、检测（LMD），该方法利用了扩散模型的最新进展。扩散模型是一类生成模型。其核心在于学习一种迭代的去噪过程，逐渐将噪声图像映射到其训练流形上。LMD 利用这一直觉来进行 OOD 检测。具体而言，LMD 通过扰乱图像将其从原始流形上提升出来，然后使用扩散模型将其映射到域内流形上。对于域外图像，映射后的图像会与其原始流形有较大的距离，LMD 会相应地将其识别为 OOD。阅读详情

ShowMeAI日报系列全新升级！覆盖AI人工智能工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文等方向。点击查看 历史文章列表，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击这里回复关键字日报免费获取AI电子月刊与资料包。

工具&框架

🚧 『Annotate equations』基于 TikZ 的 LaTeX 公式注解

https://github.com/st–/annotate-equations

作者受到『annotated latex equations』项目的启发，开发了当前更为简洁的为公式添加注解的项目。Repo 中包含一份 PDF 文档，对语法进行了详细说明。感兴趣的同学可以看看！（老规矩，公众号『ShowMeAI研究中心』回复『日报』同样可以获得！）

🚧 『Patchwork++』使用 3D 点云快速可靠的地面分割方法实现

https://github.com/url-kaist/patchwork-plusplus

Patchwork++ 基于 Patchwork 构建，是一种快速、鲁棒的 3D 点云地面分割算法。使用给定的演示代码运行Patchwork++后，可以得到下图的地面分割结果，其中绿色为地面，红色为非地面。

Git Machete 是一个强大的插件，可以简化 git 相关工作流，是对 JetBrains 产品的内置版本控制系统的一个很好的补充。

博文&分享

👍『数据科学面试』题集

https://github.com/youssefHosni/Data-Science-Interview-Questions

作者从 2022 年 5 月份开始，在 LinkedIn 上发布每日数据科学面试的问题及答案，并将所有内容汇总在了这个项目页面中。目前分为 Machine Learning / 机器学习、Deep Learning / 深度学习、Statistics / 统计、Probability / 概率、Python、SQL & DB、简历等7个主题、近百个问答。

👍『计算机』自学指南

https://github.com/pkuflyingpig/cs-self-learning/

https://csdiy.wiki/

随着欧美众多名校将质量极高的计算机课程全部开源，自学 CS 成了一件可操作性极强的事情。作者梳理了自己的学习路径，希望帮助刚刚接触计算机的小白，凭借开源社区的优质资源，成长为一个有扎实的数学功底和代码能力的程序员。

数据&资源

🔥 基于多方面的『细粒度情感分析』阅读列表

https://github.com/NUSTM/ABSA-Reading-List

研究&论文

可以点击这里回复关键字日报，免费获取整理好的论文合辑。

科研进展

2022.07.14 『计算机视觉』 Benchmarking Omni-Vision Representation through the Lens of Visual Realms
2022.07.15 『计算机视觉』 ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning
CVPR 2022 『计算机视觉』 Topologically-Aware Deformation Fields for Single-View 3D Reconstruction
2022.04.13 『计算机视觉』 Out-of-Distribution Detection with Deep Nearest Neighbors

⚡ 论文：Benchmarking Omni-Vision Representation through the Lens of Visual Realms

论文时间：14 Jul 2022

所属领域：计算机视觉

对应任务：Contrastive Learning，Representation Learning，Self-Supervised Learning，对比学习，表征学习，自监督学习

论文地址：https://arxiv.org/abs/2207.07106

代码实现：https://github.com/ZhangYuanhan-AI/OmniBenchmark

论文作者：Yuanhan Zhang, Zhenfei Yin, Jing Shao, Ziwei Liu

论文简介：We benchmark ReCo and other advances in omni-vision representation studies that are different in architectures (from CNNs to transformers) and in learning paradigms (from supervised learning to self-supervised learning) on OmniBenchmark./我们在OmniBenchmark上对ReCo和其他在架构（从CNN到变换器）和学习范式（从监督学习到自监督学习）方面不同的全视觉表示研究进展进行了基准测试。

论文摘要：虽然在特定的视觉领域（如人脸等）已经取得了令人印象深刻的表现，但一个能普遍适用于许多自然视觉领域的全视觉表示是非常理想的。但是，现有的基准在评估全能视觉表征时有失偏颇，而且效率低下–这些基准要么只包括几个特定的领域，要么覆盖了大多数领域，但却牺牲了许多有广泛领域重叠的数据集。在本文中，我们提出了Omni-Realm Benchmark（OmniBenchmark）。它包括7372个概念和1,074,346张图像的数据集。在没有语义重叠的情况下，这些数据集全面而有效地覆盖了大多数视觉领域。此外，我们提出了一个新的有监督的对比学习框架，即关系对比学习（ReCo），以实现更好的全视觉表示。除了将同一概念的两个实例拉近–典型的监督对比学习框架–ReCo还将同一语义领域的两个实例拉近，对概念之间的语义关系进行编码，并促进全视表示学习。我们在OmniBenchmark上对ReCo和其他在架构（从CNN到变压器）和学习范式（从监督学习到自监督学习）方面不同的全视表征研究进展进行了比较。我们说明了ReCo对其他监督对比学习方法的优越性，并揭示了多种实际观察，以促进未来的研究。

⚡ 论文：ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning

论文时间：15 Jul 2022

所属领域：计算机视觉

对应任务：Autonomous Driving，Future prediction，无人驾驶

论文地址：https://arxiv.org/abs/2207.07601

代码实现：https://github.com/openperceptionx/st-p3

论文作者：Shengchao Hu, Li Chen, Penghao Wu, Hongyang Li, Junchi Yan, DaCheng Tao

论文简介：In particular, we propose a spatial-temporal feature learning scheme towards a set of more representative features for perception, prediction and planning tasks simultaneously, which is called ST-P3./特别的，我们提出了一个空间-时间特征学习方案，旨在为感知、预测和规划任务同时提供一套更具代表性的特征，我们称之为ST-P3。

论文摘要：许多现有的自动驾驶模式涉及一个多阶段的离散任务管道。为了更好地预测控制信号并提高用户的安全性，一种受益于联合空间-时间特征学习的端到端方法是可取的。虽然在基于LiDAR的输入或隐含设计方面有一些开创性的工作，但在本文中，我们在一个可解释的基于视觉的环境中制定了这个问题。特别的，我们提出了一个空间-时间特征学习方案，旨在为感知、预测和规划任务同时提供一套更具代表性的特征，我们称之为ST-P3。具体来说，我们提出了一种以自我为中心的积累技术，以便在鸟瞰变换之前保留三维空间的几何信息，用于感知；设计了一种双路径建模，将过去的运动变化考虑到未来的预测中；引入了一个基于时间的细化单元，以补偿识别基于视觉的元素，用于规划。据我们所知，我们是第一个系统地研究可解释的基于视觉的端到端自动驾驶系统的每个部分。我们在开环nuScenes数据集和闭环CARLA模拟中对我们的方法与之前的先进技术进行了比较。结果显示了我们方法的有效性。源代码、模型和协议细节可在https://github.com/OpenPerceptionX/ST-P3查看。

⚡ 论文：Topologically-Aware Deformation Fields for Single-View 3D Reconstruction

论文时间：CVPR 2022

所属领域：计算机视觉

对应任务：3D Reconstruction，Single-View 3D Reconstruction，三维重建，单视图三维重建

论文地址：https://arxiv.org/abs/2205.06267

代码实现：https://github.com/ShivamDuggal4/TARS3D

论文作者：Shivam Duggal, Deepak Pathak

论文简介：The 3D shapes are generated implicitly as deformations to a category-specific signed distance field and are learned in an unsupervised manner solely from unaligned image collections and their poses without any 3D supervision./三维形状是以隐含的方式生成的，是对特定类别的有符号距离场的变形，并以无监督的方式仅从未对齐的图像集和它们的姿势中学习，没有任何三维监督。

论文摘要：我们提出了一个框架，用于从未对齐的特定类别图像集合中学习三维物体形状和密集的交叉物体三维对应关系。三维形状是以隐含的方式生成的，是对特定类别的有符号距离场的变形，并以无监督的方式仅从未对齐的图像集和它们的姿势中学习，没有任何三维监督。一般来说，互联网上的图像集包含几个类别内的几何和拓扑变化，例如，不同的椅子可能有不同的拓扑结构，这使得联合形状和对应关系估计的任务更具挑战性。正因为如此，先前的工作要么集中于单独学习每个三维物体的形状，而不对跨实例的对应关系进行建模，要么在类别内拓扑结构变化最小的类别上进行联合形状和对应关系的估计。我们通过学习一个拓扑感知的隐性变形场来克服这些限制，该变形场将物体空间中的一个三维点映射到特定类别规范空间中的一个高维点。在推理时，给定一个单一的图像，我们首先通过使用拓扑感知的变形场将对象空间中的每个三维点隐含地变形到所学的特定类别的规范空间，然后将三维形状重建为一个规范的有符号的距离场。准则形状和变形场都是以逆向图形学的方式学习的，使用学习的递归射线行进器（SRN）作为可区分的渲染模块。我们的方法被称为TARS，在几个数据集上实现了最先进的重建保真度。ShapeNet、Pascal3D+、CUB和Pix3D椅子。结果视频和代码见https://shivamduggal4.github.io/tars-3D/

⚡ 论文：Out-of-Distribution Detection with Deep Nearest Neighbors

论文时间：13 Apr 2022

所属领域：计算机视觉

对应任务：OOD Detection，Out-of-Distribution Detection，分布外检测

论文地址：https://arxiv.org/abs/2204.06507

代码实现：https://github.com/deeplearning-wisc/knn-ood

论文作者：Yiyou Sun, Yifei Ming, Xiaojin Zhu, Yixuan Li

论文简介：In this paper, we explore the efficacy of non-parametric nearest-neighbor distance for OOD detection, which has been largely overlooked in the literature./在本文中，我们探讨了非参数近邻距离在OOD检测中的能力，这在过往文献中基本上被忽略了。

论文摘要：分布外（OOD）检测是在开放世界中部署机器学习模型的一项关键任务。基于距离的方法已经证明了它的前景，如果测试样本离分布内（ID）数据相对较远，则被检测为OOD。然而，先前的方法对底层特征空间施加了一个强大的分布假设，而这可能并不总是成立。在本文中，我们探讨了非参数近邻距离在OOD检测中的功效，这在过往文献中基本上被忽略了。与之前的工作不同，我们的方法没有强加任何分布假设，因此具有更强的灵活性和通用性。我们在几个基准上证明了基于近邻关系的OOD检测的有效性，并建立了卓越的性能。在ImageNet-1k上训练的相同模型下，我们的方法与强大的基线SSD+相比，假阳性率（FPR@TPR95）大幅降低了24.77%，后者在检测中使用了参数化方法Mahalanobis距离。代码发布在：https://github.com/deeplearning-wisc/knn-ood。

我们是 ShowMeAI，致力于传播AI优质内容，分享行业解决方案，用知识加速每一次技术成长！点击查看 历史文章列表，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击这里回复关键字日报免费获取AI电子月刊与资料包。