『可控』AI作画：我的画布听我的；快速完成科研论文『流调』；教会小白搭类Unix操作系统；联邦学习资源合辑；前沿论文

这篇具有很好参考价值的文章主要介绍了『可控』AI作画：我的画布听我的；快速完成科研论文『流调』；教会小白搭类Unix操作系统；联邦学习资源合辑；前沿论文 | ShowMeAI资讯日报。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

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

🚧 『Superset』数据探索 & 数据可视化平台

https://github.com/apache/superset

Apache Superset 是一个企业级 BI 平台，可以使用户快速、轻量、直观地探索和可视化数据，具有无代码快速构建图表、支持 SQL 编辑器、丰富美观的可视化图库、可程序化定制的 API 等功能。Repo 页面和官网（superset.apache.org）提供了多样的下载安装方式和详细的教程。

🚧 『IntraPaint』指导 AI 生成图像，以制作有独特创意的作品

https://github.com/centuryglass/IntraPaint

IntraPaint 提供了两个主要组件：图像生成服务器，客户端编辑器。图像生成服务器使用 GLID-3-XL 进行即时引导修复，用户界面是使用 PyQt5 构建的桌面应用程序。使用 IntraPaint 指导 AI 生成图像，可以快速创建复杂的艺术作品，同时确保创意在可控范围之内。IntraPaint 可以在 Google Colab 的免费 GPU 中运行。可以试起来哦！

以下是一个示例的操作过程：① 标示想作画的区域，并提供关键字；② 在产生的选项中进行匹配；③ 将所选项插入到图画区域；④ 重复绘制其他区域。

🚧 『lensm』Go语言编写的汇编/源码分析器

https://github.com/loov/lensm

故事开始于一个寻常的周末。作者正在对 Gio UI 项目进行一系列微调，终于忍受不了脑残的工具，怒而自己上手开发了一个！lensm 取自 lens 和 asm 两个单词，是一个编写代码和查看输出的工具，确保相应的代码行具有相同的颜色，并且将鼠标悬停在特定代码行上时，相应的程序集也会高亮显示。你可以将其理解为本地速用版的 Compiler Explorer。

🚧 『BasicSR-docs』BasicSR 开源库的中文解读文档

https://github.com/XPixelGroup/BasicSR-docs

BasicSR（Basic Super Restoration）是一个基于 PyTorch 的开源图像视频复原工具箱，功能包括超分辨率、去噪、去模糊、去 JPEG 压缩噪声等，GitHub 已经有 3.6k Star！BasicSR-docs 是 BasicSR 中文解读文档的 LaTex 源码文件，并提供了中文版 PDF 文档下载（公众号『ShowMeAI研究中心』回复关键字『日报』也可以获取）。

🚧 『RESP』从 Google Scholar、ACL、ACM、Arxiv、PMLR 等获取科研论文的引用情况、相关论文等

https://github.com/monk1337/resp

RESP（Research Papers Search），可以从谷歌学术获取单篇论文的所有引用信息、相关论文，从 connectedpapers.com 获取所有相关论文，基于关键词从不同来源获取相关论文。Repo 提到的源包括以下这些：Google Scholar、Acl、 Pmlr 、Arxiv、Semantic Scholar、NeurIPS、IJCAI、openreview、thecvf。

博文&分享

👍 『rCore Tutorial v3』基于 Rust 语言从头编写运行在RISC-V平台上的类Unix操作系统

https://github.com/rcore-os/rCore-Tutorial-v3

这是一个面向初学者的项目，无需任何关于计算机架构、汇编语言或操作系统的背景知识，就可以用 Rust 语言从头编写一个运行在 RISC-V 平台上的类似 Unix 的操作系统。项目支持模拟器环境（如 Qemu / terminus 等），还能在真实硬件平台 Kendryte K210 上运行。项目文档非常完备！有需要的朋友们可以入坑了！

数据&资源

🔥 『Awesome Privacy』专注隐私&安全的软件和服务大列表

http://github.com/Lissy93/awesome-privacy

🔥 『Best Incremental Learning』增量学习/持续学习/终生学习相关文献资源集

https://github.com/Vision-Intelligence-and-Robots-Group/Best-Incremental-Learning

🔥 『Federated Learning on Graph and Tabular Data』图和表格数据上的联邦学习文献资源列表

https://github.com/youngfish42/Awesome-Federated-Learning-on-Graph-and-Tabular-Data

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。

科研论文

2022.07.14 『计算机视觉』 XMem: Long-Term Video Object Segmentation with an Atkinson-Shiffrin Memory Model

2022.03.11 『自然语言处理』 BERTopic: Neural topic modeling with a class-based TF-IDF procedure

2022.07.14 『计算机视觉』 Learning Implicit Templates for Point-Based Clothed Human Modeling

2022.07.13 『机器学习』 Volatility Based Kernels and Moving Average Means for Accurate Forecasting with Gaussian Processes

⚡ 论文：XMem: Long-Term Video Object Segmentation with an Atkinson-Shiffrin Memory Model

论文时间：14 Jul 2022

所属领域：计算机视觉

对应任务：Semantic Segmentation，Semi-Supervised Video Object Segmentation，Video Object Segmentation，Video Semantic Segmentation，语义分割，半监督的视频对象分割，视频对象分割，视频语义分割

论文地址：https://arxiv.org/abs/2207.07115

代码实现：https://github.com/hkchengrex/XMem

论文作者：Ho Kei Cheng, Alexander G. Schwing

论文简介：We present XMem, a video object segmentation architecture for long videos with unified feature memory stores inspired by the Atkinson-Shiffrin memory model./我们提出了XMem，这是一个用于长视频的视频对象分割架构，具有统一的特征内存存储，其灵感来自Atkinson-Shiffrin内存模型。

论文摘要：我们提出了XMem，这是一个用于长视频的视频对象分割架构，具有统一的特征内存存储，其灵感来自于Atkinson-Shiffrin内存模型。之前的视频对象分割工作通常只使用一种类型的特征存储器。对于超过一分钟的视频，单一的特征存储模型将内存消耗和准确性紧密联系起来。相比之下，按照Atkinson-Shiffrin模型，我们开发了一个包含多个独立而又深度连接的特征记忆存储的架构：一个快速更新的感觉记忆，一个高分辨率的工作记忆，以及一个紧凑而持续的长期记忆。最重要的是，我们开发了一种记忆增效算法，该算法经常将积极使用的工作记忆元素整合到长期记忆中，从而避免了记忆爆炸，并将长期预测的性能衰减降到最低。结合新的内存读取机制，XMem在长视频数据集上的性能大大超过了最先进的水平，而在短视频数据集上则与最先进的方法相当。代码可在 https://hkchengrex.github.io/XMem 获取。

⚡ 论文：BERTopic: Neural topic modeling with a class-based TF-IDF procedure

论文时间：11 Mar 2022

所属领域：自然语言处理

对应任务：Document Embedding，Topic Models，文本嵌入，主体模型

论文地址：https://arxiv.org/abs/2203.05794

代码实现：https://github.com/MaartenGr/BERTopic , https://github.com/maartengr/bertopic_evaluation

论文作者：Maarten Grootendorst

论文简介：BERTopic generates coherent topics and remains competitive across a variety of benchmarks involving classical models and those that follow the more recent clustering approach of topic modeling./BERTopic生成了连贯的主题，并在涉及经典模型和那些遵循较新的主题建模聚类方法的各种基准中保持竞争力。

论文摘要：话题模型可以成为发现文档集合中潜在话题的有用工具。最近的研究表明，将话题建模作为一项聚类任务是可行的。我们提出了BERTopic，这是一个话题模型，通过开发基于类的TF-IDF变体来提取连贯的话题表示，从而扩展了这一过程。更具体地说，BERTopic用预先训练好的基于Transformer的语言模型生成文档嵌入，对这些嵌入进行聚类，最后，用基于类的TF-IDF程序生成话题表示。BERTopic生成了连贯的主题，并在涉及经典模型和那些遵循较新的主题建模聚类方法的各种基准中保持竞争力。

⚡ 论文：Learning Implicit Templates for Point-Based Clothed Human Modeling

论文时间：14 Jul 2022

所属领域：计算机视觉

论文地址：https://arxiv.org/abs/2207.06955

代码实现：https://github.com/jsnln/fite

论文作者：Siyou Lin, Hongwen Zhang, Zerong Zheng, Ruizhi Shao, Yebin Liu

论文简介：We present FITE, a First-Implicit-Then-Explicit framework for modeling human avatars in clothing./我们提出了FITE，一个先隐后显的框架，用于为服装中的人类虚拟形象建模。

论文摘要：我们提出了FITE，一个先隐后显的框架，用于为服装中的人类虚拟形象建模。我们的框架首先学习代表粗略服装拓扑结构的隐性表面模板，然后利用模板来指导点集的生成，这些点集进一步捕捉与姿势相关的服装变形，如皱纹。我们的管道结合了隐式和显式表征的优点，即处理不同的拓扑结构的能力和有效捕捉精细细节的能力。我们还提出了扩散蒙皮，以促进模板训练，特别是对于宽松的衣服，以及基于投影的姿势编码，以从没有预定义UV图或连接的网格模板中提取姿势信息。我们的代码可在 https://github.com/jsnln/fite 获取。

⚡ 论文：Volatility Based Kernels and Moving Average Means for Accurate Forecasting with Gaussian Processes

论文时间：13 Jul 2022

所属领域：机器学习

对应任务：Gaussian Processes，高斯过程

论文地址：https://arxiv.org/abs/2207.06544

代码实现：https://github.com/g-benton/volt

论文作者：Gregory Benton, Wesley J. Maddox, Andrew Gordon Wilson

论文简介：A broad class of stochastic volatility models are defined by systems of stochastic differential equations./一大类随机波动率模型是由随机微分方程系统定义的。

论文摘要：一大类随机波动率模型是由随机微分方程系统定义的。虽然这些模型在金融和统计气候学等领域取得了广泛的成功，但它们通常缺乏对历史数据进行调节以产生真正的后验分布的能力。为了解决这个基本的局限性，我们展示了如何将一类随机波动率模型重铸为具有专门协方差函数的层次化高斯过程（GP）模型。这个GP模型保留了随机波动率模型的归纳偏差，同时提供了GP推理所给出的后验预测分布。在这个框架内，我们从已研究过的领域中获得灵感，引入了一类新的模型–Volt和Magpie，它们在股票和风速预测中的表现明显优于基线，并自然延伸到多任务设置中。

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。文章来源地址https://www.toymoban.com/news/detail-494021.html