Note | 论文写作笔记

目录

• 1. 规范
• 2. 语法
• 3. 其他
• 4. 好图好表
• 5. 好表达
  • 我们的工作很重要
  • 我们的工作有意义
  • 我们的工作细节
  • 我们怎么组织这篇文章
  • 最终效果出类拔萃
  • 怎么解释我们的成功

写完逐条核对吧。

1. 规范

• 一般会议论文要求双盲。可以提自己的工作，但要以第三人称提，不要用my或our等字眼。

• 引用、标签等注意加波浪号：MFQE~\cite{yang2018}

• 图表caption开头不加the。

• 初稿不用写致谢。

• 不要自己写etal、eg等，要用LaTeX提供的\etal、\eg等。是不一样的。

• 要规范使用文本字体、斜体（公式）小写、斜体大写、正体加粗大写、艺术字体等的区别。比如，想用S_{in}表示输入的sample，那么in应该加上文本标注\text{in}；变量和标量用斜体小写（放在公式里就行，不需要标注）即可；矩阵（如特征图）用正体加粗大写\mathbf{F}；损失函数可以用艺术字\mathcal{L}。

• 全文中指标的精度要统一。指标之间可以不同。

• 第一次出现要给全称（不要以为每一个审稿人的常识都和你一样），比如PSNR等。一般不用字母大写。

2. 语法

• 专有名词一般不加the，但类似ResNet的本质是xxx network，按理说也可以加。全文统一即可。

3. 其他

• 会议和期刊是很不一样的。会议审稿时间短（如CVPR建议审稿人审一篇论文的时间为2小时），第一感觉很重要，因此Figure1、图表的连贯性很重要，每一个图表里的legend、风格最好是连贯、一致的。通常实验比方法更容易被质疑。

• 有些visio图在pdf中会出现直线错位等情况，要缩放看看。

• 英式都改成美式吧，比如neighbouring的u去掉。

4. 好图好表

来自Facebook《Unsupervised Cross-lingual Representation Learning at Scale》：

5. 好表达

我们的工作很重要

• 沉浸：Consumers are drowning in digital visual content.

• 代价是：These very deep networks come at the expense of increased prediction cost and latency.

我们的工作有意义

• 第一个：Our contribution in this direction is the development of a NSS-based modeling framework for OU-DU NR IQA design, resulting in a first of a kind NSS-driven blind OU-DU NR IQA model.

• 没有任何花哨技巧：Using RGB only and without any bells and whistles, our method achieves results on par with or better than the latest competitions winners.

• 易于：These feedforward models are amenable to parallelized implementations.

• 避开：We propose the Transformer, a model eschewing recurrence and instead relying entirely on an attention mechanism.

我们的工作细节

• 涵盖：We explore a range of gating network designs, spanning feed-forward convolutional architectures to recurrent networks with varying degrees of parameter sharing.

  A 2D \(k \times k\) kernel can be inflated as a 3D \(t \times k \times k\) kernel that spans \(t\) frames.

• 纳入考虑，融合，编入：PyTorch’s success stems from weaving previous ideas into a design that balances speed and ease of use.

我们怎么组织这篇文章

• 延后：We defer a discussion of the relationship between these and other methods to section 5.

• 图（表）的左（右）侧：The Transformer uses stacked self-attention for both the encoder and decoder, shown in the left and right halves of Figure 1.

最终效果出类拔萃

• 可比肩：The new IQA quality index performs better than the popular PSNR index and delivers performance at par with top performing NR IQA approaches.

• 胜出：In our experiments, we find that the recurrent gate dominates the feed-forward gates in both prediction accuracy and computation cost.

怎么解释我们的成功

• 归功于：PyTorch's success stems from weaving previous ideas into a design that balances speed and ease of use.