2020：充满惊人AI论文的一年——综述

按发布日期精选的最新AI突破列表，附清晰视频讲解、深度文章链接及代码

尽管今年全球发生了诸多大事，我们依然见证了许多令人瞩目的研究成果涌现，尤其是在人工智能领域。今年尤其突出了许多重要议题，比如伦理考量、关键偏见等。人工智能与我们对人类大脑的理解及其与AI的关联正在不断演进，并有望在不久的将来实现极具前景的应用。

以下列出了今年最值得关注的研究论文，以防你错过了其中任何一篇。简而言之，这是一份按发表日期排序的最新AI和数据科学突破精选清单，每篇都配有清晰的视频讲解、深入解读的文章链接，以及（如适用）代码。希望你喜欢这篇阅读！

本仓库末尾列出了每篇论文的完整引用信息。

维护者 - louisfb01

订阅我的新闻通讯——每周为你带来AI领域的最新动态解析。

🆕 查看2021年的版本！

如果你发现有遗漏但非常优秀的论文，请随时通过bouchard.lf@gmail.com告知我，以便添加到此仓库中

如果你分享这份列表，请在Twitter上@Whats_AI或LinkedIn上@Louis (What's AI) Bouchard标记我！

观看15分钟内的2020年回顾视频

---

如果你对计算机视觉研究感兴趣，这里还有另一个很棒的仓库推荐：

2020年十大计算机视觉论文，附视频演示、文章、代码及论文引用。

2020年十大计算机视觉论文

---

👀 如果你想支持我的工作，并使用Weights & Biases（免费）来跟踪你的机器学习实验、提高工作的可重复性或与团队协作，可以按照这篇指南试用一下！由于这里的大部分代码基于PyTorch，我们认为分享一份关于如何在PyTorch中使用W&B的快速入门指南会非常有趣。

👉按照这个快速指南，将相同的W&B代码行加入你的项目或下方的任意一个仓库中，你的所有实验就会自动被记录到你的W&B账户中！设置过程不超过5分钟，它将彻底改变你的工作方式，就像对我一样！如果感兴趣，还可以参考这篇进阶指南，了解如何使用超参数搜索 :)

🙌 感谢Weights & Biases对本仓库及我所做工作的赞助，也感谢每一位通过此链接尝试W&B的朋友们！

---

完整列表

• YOLOv4：目标检测的速度与精度最优解 [1]
• DeepFaceDrawing：基于草图的深度人脸图像生成 [2]
• 利用GameGAN学习模拟动态环境 [3]
• PULSE：基于生成模型潜在空间探索的自监督照片超分辨率 [4]
• 无监督编程语言翻译 [5]
• PIFuHD：用于高分辨率人体数字化的多层级像素对齐隐式函数 [6]
• 面向视觉特效的高分辨率神经人脸交换 [7]
• 用于深度图像处理的交换自编码器 [8]
• GPT-3：语言模型是少样本学习者 [9]
• 用于视频修复的联合时空变换学习 [10]
• Image GPT——从像素出发的生成式预训练 [11]
• 利用白盒卡通表示进行卡通化学习 [12]
• FreezeG：冻结判别器——微调GAN的简单基线 [13]
• 单张图像驱动的人体神经重渲染 [14]
• I2L-MeshNet：基于单张RGB图像的精确人体姿态与网格估计的图像到体素预测网络 [15]
• 超越导航图：连续环境中的视觉-语言导航 [16]
• RAFT：用于光流计算的循环全对场变换 [17]
• 全景函数的众包采样 [18]
• 通过深度潜在空间翻译恢复老照片 [19]
• 可审计自主性的神经回路策略 [20]
• 生命周期年龄转换合成 [21]
• DeOldify [22]
• COOT：用于视频-文本表征学习的合作式分层Transformer [23]
• 风格化的神经绘画 [24]
• 实时人像抠图真的需要绿幕吗？ [25]
• ADA：有限数据下的生成对抗网络训练 [26]
• 利用立方球面上的深度卷积神经网络改进数据驱动的全球天气预报 [27]
• NeRV：用于重新打光和视图合成的神经反射率与可见性场 [28]
• 论文引用

---

YOLOv4：目标检测的速度与精度最优解 [1]

这一第4版由Alexey Bochkovsky等人于2020年4月在论文《YOLOv4：目标检测的速度与精度最优解》中首次提出。该算法的主要目标是打造一款兼具超高速度和高质量准确率的目标检测器。

• 简短视频讲解：

• YOLOv4算法 | 一探究竟：You Only Look Once 第4版 | 实时目标检测 —— 简短阅读
• YOLOv4：目标检测的速度与精度最优解 —— 原文
• 点击此处获取Yolo v4代码 —— 代码

DeepFaceDrawing：基于草图的深度人脸图像生成 [2]

现在，借助这项全新的图像到图像转换技术，即使你完全没有绘画技巧，也能仅凭粗糙甚至不完整的草图生成高质量的人脸图像！如果你的绘画水平像我一样糟糕，还可以调整眼睛、嘴巴和鼻子对最终图像的影响程度。让我们来看看它是否真的有效，以及他们是如何实现的。

• 简短视频讲解：

• AI根据草图生成真实人脸！ - 简短文章
• DeepFaceDrawing：基于草图的深度人脸图像生成 - 论文
• 点击此处获取DeepFaceDrawing代码 - 代码

使用GameGAN学习模拟动态环境 [3]

GameGAN是一种生成对抗网络，它通过训练5万局吃豆人游戏，无需任何底层游戏引擎，便能生成一个功能完备的经典吃豆人版本。

• 简短视频讲解：

• 历经40年，NVIDIA研究人员用AI重现吃豆人 - 简短文章
• 使用GameGAN学习模拟动态环境 - 论文
• 点击此处获取GameGAN代码 - 代码

PULSE：基于生成模型潜在空间探索的自监督照片超分辨率 [4]

这一新算法可以将模糊图像转化为高分辨率图像！它甚至能够把一张超低分辨率的16×16像素图像变成1080p高清的人脸！不信？那就跟我一样，花不到一分钟亲自试试吧！不过在那之前，我们先来看看他们是怎么做到的。

• 简短视频讲解：

• 这款AI让模糊人脸清晰度提升60倍 - 简短文章
• PULSE：基于生成模型潜在空间探索的自监督照片超分辨率 - 论文
• 点击此处获取PULSE代码 - 代码

无监督编程语言翻译 [5]

这个新模型可以在没有任何监督的情况下，将一种编程语言的代码转换为另一种！它可以将Python函数翻译成C++函数，反之亦然，而且无需任何示例！它能够理解每种语言的语法，因此可以推广到任何编程语言。让我们看看它是如何做到的。

• 简短视频讲解：

• 这款AI可将一种编程语言的代码翻译成另一种 | Facebook TransCoder详解 - 简短文章
• 无监督编程语言翻译 - 论文
• 点击此处获取TransCoder代码 - 代码

PIFuHD：用于高分辨率人体三维数字化的多级像素对齐隐式函数 [6]

这款AI可以根据2D图像生成人物的高分辨率3D重建！它只需要一张你的单张照片，就能生成一个与你本人几乎一模一样的3D虚拟形象，甚至连背面都栩栩如生！

• 简短视频讲解：

• AI根据2D图像生成人物高分辨率3D重建 | PIFuHD简介 - 简短文章
• PIFuHD：用于高分辨率人体三维数字化的多级像素对齐隐式函数 - 论文
• 点击此处获取PiFuHD代码 - 代码

用于视觉特效的高分辨率神经面部替换 [7]

迪士尼的研究人员在同名论文中开发了一种用于视觉特效的新型高分辨率面部替换算法。该算法能够在百万像素级别上渲染出照片般逼真的效果。作为迪士尼的团队，他们无疑是从事这项工作的最佳人选。他们的目标是在保持演员表演风格的同时，将目标演员的脸部替换成源演员的脸部。这极具挑战性，但在许多情况下都非常有用，比如改变角色年龄、演员无法到场，甚至是涉及主演员执行起来过于危险的特技场景时。而现有的方法通常需要专业人员逐帧进行动画制作和后期处理。

• 简短视频讲解：

• 迪士尼新款高分辨率面部替换算法 | 新型2020年面部替换技术解析 - 简短文章
• 用于视觉特效的高分辨率神经面部替换 - 论文

用于深度图像操纵的交换自编码器 [8]

这项新技术可以在完全无监督训练的情况下，以逼真的方式改变任何图片的纹理！其效果甚至优于GANs，同时速度也快得多！它甚至可以用来制作深度伪造内容！

• 简短视频讲解：

• 纹理交换AI在图像操纵方面超越GANs！ - 简短文章
• 用于深度图像操纵的交换自编码器 - 论文
• 点击此处获取交换自编码器代码 - 代码

GPT-3：语言模型是少样本学习者 [9]

当前最先进的自然语言处理系统在跨任务泛化方面存在困难。它们通常需要在包含数千个示例的数据集上进行微调，而人类只需看到几个例子就能完成新的语言任务。GPT-3 的设计目标正是为了提升语言模型的任务无关性。

• 简短视频讲解：

• GPT-3 真的能帮助你和你的公司吗？ - 简短阅读
• 语言模型是少样本学习者 - 论文原文
• 点击此处前往 GPT-3 的 GitHub 页面 - GitHub 仓库

针对视频修复的学习联合时空变换 [10]

这款 AI 能够填补被移除的运动物体背后的缺失像素，并以远超现有最先进方法的精度和更低的模糊度重建整段视频！

• 简短视频讲解：

• 这款 AI 可以处理视频并填补物体背后的缺失像素！ - 简短阅读
• 针对视频修复的学习联合时空变换 - 论文原文
• 点击此处获取该视频修复代码 - 代码

Image GPT — 基于像素的生成式预训练 [11]

像 Gmail 中使用的优秀 AI 一样，能够生成连贯的文本并补全你的语句。这款 AI 则运用相同原理来完成图像的补全！整个过程采用无监督训练，完全无需标注数据！

• 简短视频讲解：

• 这款 AI 可以利用 GPT 模型生成图片的另一半内容 - 简短阅读
• Image GPT — 基于像素的生成式预训练 - 论文原文
• 点击此处获取 OpenAI 的 Image GPT 代码 - 代码

基于白盒卡通表示的学习卡通化 [12]

这款 AI 可以将你输入的任何图片或视频按照你想要的卡通风格进行卡通化处理！让我们来看看它是如何做到的，以及一些令人惊叹的案例。你甚至可以像我一样，在他们搭建的网站上亲自试一试！

• 简短视频讲解：

• 这款 AI 可以将你输入的任何图片或视频进行卡通化！论文介绍及结果示例 - 简短阅读
• 基于白盒卡通表示的学习卡通化 - 论文原文
• 点击此处获取卡通化代码 - 代码

FreezeG：冻结判别器——一种用于微调 GAN 的简单基线 [13]

这款人脸生成模型能够将普通的人脸照片转换为独特的风格，例如李明宪的卡通风格、辛普森一家、艺术风格，甚至是狗狗的形象！这项新技术的最大优点在于其极其简单，同时显著优于以往在 GAN 中使用的技术。

• 简短视频讲解：

• 这款人脸生成模型可将真实人脸照片转换为独特的卡通风格 - 简短阅读
• 冻结判别器：一种用于微调 GAN 的简单基线 - 论文原文
• 点击此处获取 FreezeG 代码 - 代码

基于单张图像的人体神经网络重渲染 [14]

该算法将人体姿态和形状表示为参数化网格，仅需一张图像即可重建，并轻松调整姿势。给定一张人物图像，它能够根据另一张输入图像中的服装信息，生成该人物在不同姿势或穿着不同服饰的合成图像。

• 简短视频讲解：

• 利用 AI 在照片之间转移服装！仅需一张图像！ - 简短阅读
• 基于单张图像的人体神经网络重渲染 - 论文原文

I2L-MeshNet：从单张 RGB 图像中准确估计 3D 人体姿态与网格的图像到 Lixel 预测网络 [15]

他们的目标是提出一种全新的技术，用于从单张 RGB 图像中估计 3D 人体姿态与网格。他们将其命名为 I2L-MeshNet。其中，I2L 代表“图像到 Lixel”。正如体素（voxel）是由体积和像素组合而成的三维空间量化单元一样，他们定义了 lixel，即由线和像素组成的单位，作为一维空间中的量化单元。他们的方法性能优于先前的方法，且代码已公开可用！

• 简短视频讲解：

• 从单张 RGB 图像中准确估计 3D 人体姿态与网格！代码公开可用！ - 简短阅读
• I2L-MeshNet：从单张 RGB 图像中准确估计 3D 人体姿态与网格的图像到 Lixel 预测网络 - 论文原文
• 点击此处获取 I2L-MeshNet 代码

https://github.com/mks0601/I2L-MeshNet_RELEASE

超越导航图：连续环境中的视觉-语言导航 [16]

语言引导的导航是一个被广泛研究且非常复杂的领域。对人类来说，穿过房间去拿放在床边梳妆台上的咖啡似乎很简单。然而，对于一个自主的人工智能系统——即利用深度学习执行任务的代理——这却是一项完全不同的挑战。

• 简短视频讲解：

• 3D环境中的语言引导导航 - 简短阅读
• 超越导航图：连续环境中的视觉-语言导航 - 论文
• 点击此处获取VLN-CE代码 - 代码

RAFT：用于光流的循环全对场变换 [17]

普林斯顿大学团队荣获ECCV 2020最佳论文奖。他们开发了一种全新的端到端可训练光流模型。该方法在多个数据集上均超越了当前最先进的架构精度，同时效率更高。他们甚至将其代码公开在GitHub上供所有人使用！

• 简短视频讲解：

• ECCV 2020最佳论文奖 | 光流的新架构 - 简短阅读
• RAFT：用于光流的循环全对场变换 - 论文
• 点击此处获取RAFT代码 - 代码

群众采样全景光函数 [18]

他们利用互联网上游客的公开照片，成功重建了场景的多视角图像，并保留了逼真的阴影和光照效果！这一成果极大地推动了基于照片的真实感场景渲染技术的发展，其结果令人惊叹。

• 简短视频讲解：

• 用互联网上的游客公开照片重建逼真场景！ - 简短阅读
• 群众采样全景光函数 - 论文
• 点击此处获取Crowdsampling代码 - 代码

基于深度潜在空间翻译的老照片修复 [19]

想象一下，你祖母18岁时的那些泛黄、褶皱甚至破损的照片，如今能以高清画质呈现，且没有任何瑕疵。这就是老照片修复技术。而这篇论文则开创了一种全新的深度学习方法来解决这一问题。

• 简短视频讲解：

• 利用深度学习进行老照片修复 - 简短阅读
• 基于深度潜在空间翻译的老照片修复 - 论文
• 点击此处获取老照片修复代码 - 代码

可审计自主性的神经回路策略 [20]

来自奥地利科学技术研究所和麻省理工学院的研究人员成功地使用一种基于微小动物（如线虫）大脑的人工智能系统训练了一辆自动驾驶汽车。与Inception、ResNet或VGG等流行的深度神经网络所需的数百万个神经元相比，他们的系统仅用少数几个神经元就能控制车辆。这个网络仅需19个控制神经元、总计75,000个参数，便能完全操控一辆汽车，而无需数百万个参数！

• 简短视频讲解：

• 新型仿脑智能系统仅用19个控制神经元即可驾驶汽车！ - 简短阅读
• 可审计自主性的神经回路策略 - 论文
• 点击此处获取NCP代码 - 代码

生命周期年龄转换合成 [21]

Adobe Research的研究团队开发了一项基于单张照片的全新年龄转换合成技术。只需提供一张照片，该技术便可生成从幼年到老年的多张不同年龄段的图像。

• 简短视频讲解：

• 生成自己年轻和年老时的模样！ - 简短阅读
• 生命周期年龄转换合成 - 论文
• 点击此处获取生命周期年龄转换合成代码 - 代码

DeOldify [22]

DeOldify是一种为老旧黑白照片甚至电影胶片着色并修复的技术。它由Jason Antic一人开发，至今仍在持续更新。目前，它是黑白图像着色领域的最先进技术，所有代码均为开源。我们稍后会再详细讨论这一点。

• 简短视频讲解：

• 这款AI可将你的黑白照片完整地转化为逼真彩色图像！（DeOldify） - 简短阅读
• 点击此处获取DeOldify代码 - 代码

COOT：用于视频-文本表示学习的协作式分层Transformer [23]

顾名思义，该方法利用Transformer架构，以视频及其通用描述作为输入，为视频中的每一帧序列生成准确的文本描述。

• 短视频讲解：

• 使用深度学习和Transformer将视频转换为文本描述 | COOT - 简短阅读
• COOT：用于视频-文本表示学习的协作式分层Transformer - 论文原文
• 点击此处获取COOT代码 - 代码

风格化神经绘画 [24]

这种图像到绘画的转换方法采用一种新颖的方式，在不依赖任何GAN架构的情况下，模拟真实画家创作多种风格的作品，这与当前所有最先进方法的做法截然不同！

• 短视频讲解：

• 基于风格迁移的图像到绘画转换 - 简短阅读
• 风格化神经绘画 - 论文原文
• 点击此处获取风格化神经绘画代码 - 代码

实时人像抠图真的需要绿幕吗？ [25]

人像抠图是一项极其有趣的任务，其目标是从图片中精确地提取出人物并去除背景。由于需要准确识别出人物轮廓，这项任务非常具有挑战性。在这篇文章中，我回顾了多年来使用的最佳技术，并介绍了一种于2020年11月29日发表的新方法。许多现有技术都基于基础的计算机视觉算法来实现这一目标，例如GrabCut算法，它速度快但精度不足。

• 短视频讲解：

• 无需绿幕的高质量背景去除 - 简短阅读
• 实时人像抠图真的需要绿幕吗？ - 论文原文
• 点击此处获取MODNet代码 - 代码

ADA：用有限数据训练生成对抗网络 [26]

借助NVIDIA开发的这一全新训练方法，仅需十分之一数量的图像即可训练出强大的生成模型！这使得许多无法获取大量图像的应用成为可能！

• 短视频讲解：

• 针对有限数据应用的GAN训练突破及NVIDIA新计划！NVIDIA研究 - 简短阅读
• 用有限数据训练生成对抗网络 - 论文原文
• 点击此处获取ADA代码 - 代码

利用立方体球面上的深度卷积神经网络改进数据驱动的全球天气预报 [27]

借助NVIDIA开发的这一全新训练方法，仅需十分之一数量的图像即可训练出强大的生成模型！这使得许多无法获取大量图像的应用成为可能！

• 短视频讲解：

• 人工智能正在预测更快速、更准确的天气预报 - 简短阅读
• 利用立方体球面上的深度卷积神经网络改进数据驱动的全球天气预报 - 论文原文
• 点击此处获取天气预报代码 - 代码

NeRV：用于重照明和视图合成的神经反射率与可见性场 [28]

这一新方法能够生成完整的三维场景，并可自由控制场景的光照条件。同时，它的计算开销极低，效果却远超以往的方法。

• 短视频讲解：

• 从一组输入图像生成任意光照条件下的完整3D场景 - 简短阅读
• NeRV：用于重照明和视图合成的神经反射率与可见性场 - 论文原文
• 点击此处获取NeRV代码 (即将发布) - 代码

---

🆕 查看 2021年的项目合集！

如果你分享这份列表，请在Twitter上@Whats_AI或LinkedIn上@Louis (What's AI) Bouchard标记我！

---

论文参考文献

[1] A. Bochkovskiy、C.-Y. Wang 和 H.-Y. M. Liao，《Yolov4：目标检测的最佳速度与精度》，2020 年。arXiv:2004.10934 [cs.CV]。

[2] S.-Y. Chen、W. Su、L. Gao、S. Xia 和 H. Fu，《DeepFaceDrawing：基于草图的深度人脸图像生成》，ACM 图形学汇刊（ACM SIGGRAPH 2020 会议论文集），第 39 卷，第 4 期，72:1–72:16，2020 年。

[3] S. W. Kim、Y. Zhou、J. Philion、A. Torralba 和 S. Fidler，《利用 GameGAN 学习模拟动态环境》，IEEE 计算机视觉与模式识别会议（CVPR），2020 年 6 月。

[4] S. Menon、A. Damian、S. Hu、N. Ravi 和 C. Rudin，《Pulse：基于生成模型潜在空间探索的自监督照片超分辨率》，2020 年。arXiv:2003.03808 [cs.CV]。

[5] M.-A. Lachaux、B. Roziere、L. Chanussot 和 G. Lample，《编程语言的无监督翻译》，2020 年。arXiv:2006.03511 [cs.CL]。

[6] S. Saito、T. Simon、J. Saragih 和 H. Joo，《Pifuhd：用于高分辨率人体数字化的多层级像素对齐隐式函数》，2020 年。arXiv:2004.00452 [cs.CV]。

[7] J. Naruniec、L. Helminger、C. Schroers 和 R. Weber，《用于视觉特效的高分辨率神经换脸技术》，计算机图形学论坛，第 39 卷，第 173–184 页，2020 年 7 月。doi:10.1111/cgf.14062。

[8] T. Park、J.-Y. Zhu、O. Wang、J. Lu、E. Shechtman、A. A. Efros 和 R. Zhang，《用于深度图像操作的交换自编码器》，2020 年。arXiv:2007.00653 [cs.CV]。

[9] T. B. Brown、B. Mann、N. Ryder、M. Subbiah、J. Kaplan、P. Dhariwal、A. Neelakantan、P. Shyam、G. Sastry、A. Askell、S. Agarwal、A. Herbert-Voss、G. Krueger、T. Henighan、R. Child、A. Ramesh、D. M. Ziegler、J. Wu、C. Winter、C. Hesse、M. Chen、E. Sigler、M. Litwin、S. Gray、B. Chess、J. Clark、C. Berner、S. McCandlish、A. Radford、I. Sutskever 和 D. Amodei，《语言模型是少样本学习者》，2020 年。arXiv:2005.14165 [cs.CL]。

[10] Y. Zeng、J. Fu 和 H. Chao，《用于视频修复的联合时空变换学习》，2020 年。arXiv:2007.10247 [cs.CV]。

[11] M. Chen、A. Radford、R. Child、J. Wu、H. Jun、D. Luan 和 I. Sutskever，《从像素进行生成式预训练》，第 37 届国际机器学习大会论文集，H. D. III 和 A. Singh 主编，机器学习研究论文集系列，第 119 卷，虚拟会议：PMLR，2020 年 7 月 13–18 日，第 1691–1703 页。[在线]。网址：http://proceedings.mlr.press/v119/chen20s.html。

[12] Xinrui Wang 和 Jinze Yu，《使用白盒卡通表示学习卡通化》，IEEE 计算机视觉与模式识别会议，2020 年 6 月。

[13] S. Mo、M. Cho 和 J. Shin，《冻结判别器：微调 GAN 的简单基线》，2020 年。arXiv:2002.10964 [cs.CV]。

[14] K. Sarkar、D. Mehta、W. Xu、V. Golyanik 和 C. Theobalt，《单张图像中的人体神经重渲染》，欧洲计算机视觉会议（ECCV），2020 年。

[15] G. Moon 和 K. M. Lee，《I2l-meshnet：用于从单张 RGB 图像准确估计 3D 人体姿态和网格的图像到体素预测网络》，欧洲计算机视觉会议（ECCV），2020 年。

[16] J. Krantz、E. Wijmans、A. Majumdar、D. Batra 和 S. Lee，《超越导航图：连续环境中的视觉-语言导航》，2020 年。arXiv:2004.02857 [cs.CV]。

[17] Z. Teed 和 J. Deng，《RAFT：用于光流的循环全对场变换》，2020 年。arXiv:2003.12039 [cs.CV]。

[18] Z. Li、W. Xian、A. Davis 和 N. Snavely，《全景光场函数的众包采样》，欧洲计算机视觉会议（ECCV）论文集，2020 年。

[19] Z. Wan、B. Zhang、D. Chen、P. Zhang、D. Chen、J. Liao 和 F. Wen，《基于深度潜在空间转换的老照片修复》，2020 年。arXiv:2009.07047 [cs.CV]。

[20] Lechner, M., Hasani, R., Amini, A. 等人。《可审计自主性的神经回路策略》。自然机器智能，第 2 卷，第 642–652 页（2020 年）。https://doi.org/10.1038/s42256-020-00237-3。

[21] R. Or-El、S. Sengupta、O. Fried、E. Shechtman 和 I. Kemelmacher-Shlizerman，《寿命年龄变换合成》，欧洲计算机视觉会议（ECCV）论文集，2020 年。

[22] Jason Antic，DeOldify 的创建者，https://github.com/jantic/DeOldify。

[23] S. Ging、M. Zolfaghari、H. Pirsiavash 和 T. Brox，《COOT：用于视频文本表示学习的协作式层次化变换器》，神经信息处理系统会议，2020 年。

[24] Z. Zou、T. Shi、S. Qiu、Y. Yuan 和 Z. Shi，《风格化的神经绘画》，2020 年。arXiv:2011.08114 [cs.CV]。

[25] Z. Ke、K. Li、Y. Zhou、Q. Wu、X. Mao、Q. Yan 和 R. W. Lau，《实时人像抠图真的需要绿幕吗？》ArXiv，卷 abs/2011.11961，2020 年。

[26] T. Karras、M. Aittala、J. Hellsten、S. Laine、J. Lehtinen 和 T. Aila，《有限数据下的生成对抗网络训练》，2020 年。arXiv:2006.06676 [cs.CV]。

[27] J. A. Weyn、D. R. Durran 和 R. Caruana，《利用立方球面上的深度卷积神经网络改进数据驱动的全球天气预报》，地球系统建模进展期刊，第 12 卷，第 9 期，2020 年 9 月，issn：1942–2466。doi：10.1029/2020ms002109。

[28] P. P. Srinivasan、B. Deng、X. Zhang、M. Tancik、B. Mildenhall 和 J. T. Barron，《NERV：用于重新打光和视图合成的神经反射率与可见性场》，2020 年发表于 arXiv。

Best_AI_paper_2020 快速上手指南

项目简介：Best_AI_paper_2020 并非一个单一的 AI 模型或工具库，而是一个由社区维护的2020 年度突破性 AI 论文精选清单。它汇集了当年最重要的研究成果（如 YOLOv4, GPT-3, GameGAN 等），并为每篇论文提供了视频解读、深度文章链接以及对应的开源代码仓库地址。

本指南将指导你如何利用该清单查找资源，并快速运行其中提到的具体算法代码。

1. 环境准备

由于清单中包含多个不同的独立项目（涵盖计算机视觉、自然语言处理、强化学习等领域），没有统一的“一键安装”包。你需要根据感兴趣的具体论文准备相应的环境。

系统要求

• 操作系统: Linux (推荐 Ubuntu 18.04/20.04), macOS, 或 Windows (建议使用 WSL2)
• 硬件: 大多数深度学习模型需要 NVIDIA GPU (建议显存 8GB 以上，部分大模型如 GPT-3 复现版需要更高配置)
• 软件依赖:
  • Python 3.6+ (具体版本视各子项目而定)
  • Git
  • CUDA Toolkit (版本需与各项目要求的 PyTorch/TensorFlow 版本匹配)

前置依赖

在克隆具体代码前，建议安装通用的基础包管理工具。国内开发者推荐使用清华源或阿里源加速。

# 配置 pip 使用清华大学镜像源 (永久生效)
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装基础依赖 (示例，具体以各子项目 requirements.txt 为准)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install gitpython matplotlib opencv-python

2. 安装步骤

本项目本身是一个文档索引，安装步骤针对的是清单中的具体算法。以下以清单中热门的 YOLOv4 和 PULSE 为例演示如何获取代码。

步骤一：浏览清单选择目标

访问项目主页或查看 README 中的 "The Full List"，找到你感兴趣的论文标题及对应的 "The Code" 链接。

步骤二：克隆具体代码仓库

不要克隆 Best_AI_paper_2020 主仓库来运行模型，而是直接克隆对应论文的官方实现仓库。

示例 A: 安装 YOLOv4 (目标检测)

# 克隆 YOLOv4 官方代码库
git clone https://github.com/AlexeyAB/darknet.git
cd darknet

示例 B: 安装 PULSE (图像超分辨率)

# 克隆 PULSE 官方代码库
git clone https://github.com/adamian98/pulse.git
cd pulse

步骤三：安装项目特定依赖

进入目录后，通常需要根据该项目提供的 requirements.txt 安装依赖。

# 以 PULSE 为例
pip install -r requirements.txt

注意：部分老旧项目可能需要特定的 CUDA 版本或手动编译算子，请参照各子仓库的 README 说明。

3. 基本使用

使用方法完全取决于你选择的具体论文项目。以下是基于上述两个示例的最简运行方式。

场景 A: 运行 YOLOv4 进行物体检测

YOLOv4 (Darknet 版本) 通常需要编译后使用命令行调用。

# 1. 修改 Makefile 启用 GPU (如果拥有 NVIDIA 显卡)
# 编辑 Makefile，将 GPU=0 改为 GPU=1，CUDNN=0 改为 CUDNN=1
sed -i 's/GPU=0/GPU=1/' Makefile
sed -i 's/CUDNN=0/CUDNN=1/' Makefile

# 2. 编译项目
make -j4

# 3. 下载权重文件 (需手动从项目说明中获取 .weights 文件)
# wget [权重文件链接]

# 4. 执行检测 (示例命令)
./darknet detector test data/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg

场景 B: 运行 PULSE 进行人脸超分

PULSE 通常提供 Python 脚本直接运行。

# 确保已下载预训练模型并放入指定文件夹 (参考子仓库 README)

# 运行超分脚本 (将低清图 upsampling.png 转换为高清输出)
python run_pulse.py --input_path ./inputs/upsampling.png --output_dir ./outputs

通用建议

对于清单中的其他项目（如 GameGAN, DeepFaceDrawing, TransCoder 等）：

1. 点击 README 中对应的 "Click here for the ... code" 链接。
2. 进入该子项目的 GitHub 页面。
3. 严格遵循该子项目 README.md 中的 "Usage" 或 "Quick Start" 章节。
4. 许多项目提供了 Google Colab 链接，国内用户若无法访问，可尝试将 .ipynb 文件下载后在本地 Jupyter Lab 或 Kaggle Kernel 中运行。