如何自动生成论文目录，利用word自动生成论文目录
如何自动生成论文目录，利用word自动生成论文目录论文100网2023-03-04内容简介：论文目录是一篇文章结构清晰、组织清楚和完整性好的重要标志，编写论文目录是论文写作技能的重要组成部分。利用Word软件自动生成论文目录可以快速、准确的完成这项工作，下面就要介绍如何使用Word软件自动生成论文目录。一、在Word文档中添
论文不会写怎么办？论文100网专注于论文服务12年，老品牌值得信赖！原创论文299元起/篇，一周内出稿；论文排版10元起。
立即咨询论文目录是一篇文章结构清晰、组织清楚和完整性好的重要标志，编写论文目录是论文写作技能的重要组成部分。利用Word软件自动生成论文目录可以快速、准确的完成这项工作，下面就要介绍如何使用Word软件自动生成论文目录。
一、在Word文档中添加目录标题首先，打开Word文档，在文档的每一章节的开头（或者每个主题的开头）添加目录标题，目录标题的格式可以是：一级标题、二级标题、三级标题等，根据具体需求自行设置，一般都是从一级标题开始，一级标题用标题一（T1），二级标题用标题二（T2），三级标题用标题三（T3），以此类推，每一级标题都要添加。
二、添加目录自动编号接下来，需要给每一级标题添加编号，Word软件中的“引用”工具提供了一种自动编号的方式，可以自动给每一级标题添加编号，当添加完编号后，Word软件可以自动根据编号进行排序，以满足不同级别标题的排序需求。
三、更新目录当添加完所有的标题和编号后，就可以更新目录了，在Word文档的“引用”工具中，点击“更新目录”按钮，Word软件就会根据文档中的标题和编号自动生成论文目录，Word软件还可以根据用户的要求，调整目录的缩进量和行距，以满足用户的需求。
四、完善目录另外，Word软件还可以根据用户的要求，完善目录中的样式，例如，可以调整目录中标题的字体、大小、颜色等，以满足用户的需求。
五、生成目录最后，在Word文档的“引用”工具中，点击“生成目录”按钮，Word软件就会根据文档中的标题和编号自动生成论文目录，完成自动生成论文目录的工作。
总而言之，使用Word软件自动生成论文目录的方法主要有：在Word文档中添加目录标题；添加目录自动编号；更新目录；完善目录；生成目录，这几个步骤可以让用户快速的完成论文目录的生成。
上一篇:如何使用中国知网论文查询入口，便捷快速使用知网论文查询
下一篇:标准论文格式要求是否有必要，有助于撰写优秀论文
FigGen：论文插图，图表，AI自动生成！
机器之心报道编辑：杜伟、梓文
如果论文中的图表不用绘制，对于研究者来说是不是一种便利呢？有人在这方面进行了探索，利用文本描述生成论文图表，结果还挺有模有样的呢！
生成式AI已经风靡了人工智能社区，无论是个人还是企业，都开始热衷于创建相关的模态转换应用，比如文生图、文生视频、文生音乐等等。
最近呢，来自ServiceNowResearch、LIVIA等科研机构的几位研究者尝试基于文本描述生成论文中的图表。为此，他们提出了一种FigGen的新方法，相关论文还被ICLR2023收录为了TinyPaper。
论文地址：https://arxiv.org/pdf/2306.00800.pdf
也许有人会问了，生成论文中的图表有什么难的呢？这样做对于科研又有哪些帮助呢？
科研图表生成有助于以简洁易懂的方式传播研究结果，而自动生成图表可以为研究者带来很多优势，比如节省时间和精力，不用花大力气从头开始设计图表。此外设计出具有视觉吸引力且易理解的图表能使更多的人访问论文。
然而生成图表也面临一些挑战，它需要表示框、箭头、文本等离散组件之间的复杂关系。与生成自然图像不同，论文图表中的概念可能有不同的表示形式，需要细粒度的理解，例如生成一个神经网络图会涉及到高方差的不适定问题。
因此，本文研究者在一个论文图表对数据集上训练了一个生成式模型，捕获图表组件与论文中对应文本之间的关系。这就需要处理不同长度和高技术性文本描述、不同图表样式、图像长宽比以及文本渲染字体、大小和方向问题。
在具体实现过程中，研究者受到了最近文本到图像成果的启发，利用扩散模型来生成图表，提出了一种从文本描述生成科研图表的潜在扩散模型——FigGen。
这个扩散模型有哪些独到之处呢？我们接着往下看细节。
模型与方法
研究者从头开始训练了一个潜在扩散模型。
首先学习一个图像自动编码器，用来将图像映射为压缩的潜在表示。图像编码器使用KL损失和OCR感知损失。调节所用的文本编码器在该扩散模型的训练中端到端进行学习。下表3为图像自动编码器架构的详细参数。
然后，该扩散模型直接在潜在空间中进行交互，执行数据损坏的前向调度，同时学习利用时间和文本条件去噪U-Net来恢复该过程。
至于数据集，研究者使用了Paper2Fig100k，它由论文中的图表文本对组成，包含了81,194个训练样本和21,259个验证样本。下图1为Paper2Fig100k测试集中使用文本描述生成的图表示例。
模型细节
首先是图像编码器。第一阶段，图像自动编码器学习一个从像素空间到压缩潜在表示的映射，使扩散模型训练更快。图像编码器还需要学习将潜在图像映射回像素空间，同时不丢失图表重要细节（如文本渲染质量）。
为此，研究者定义了一个具有瓶颈的卷积编解码器，在因子f=8时对图像进行下采样。编码器经过训练可以最小化具有高斯分布的KL损失、VGG感知损失和OCR感知损失。
其次是文本编码器。研究者发现通用文本编码器不太适合生成图表任务。因此他们定义了一个在扩散过程中从头开始训练的Berttransformer，其中使用大小为512的嵌入通道，这也是调节U-Net的跨注意力层的嵌入大小。研究者还探索了不同设置下（8、32和128）的transformer层数量的变化。
最后是潜在扩散模型。下表2展示了U-Net的网络架构。研究者在感知上等效的图像潜在表示中执行扩散过程，其中该图像的输入大小被压缩到了64x64x4，使扩散模型更快。他们定义了1,000个扩散步骤和线性噪声调度。
训练细节
为了训练图像自动编码器，研究者使用了一个Adam优化器，它的有效批大小为4个样本、学习率为4.5e−6，期间使用了4个12GB的英伟达V100显卡。为了实现训练稳定性，他们在50k次迭代中warmup模型，而不使用判别器。
对于训练潜在扩散模型，研究者也使用Adam优化器，它的有效批大小为32，学习率为1e−4。在Paper2Fig100k数据集上训练该模型时，他们用到了8块80GB的英伟达A100显卡。
实验结果
在生成过程中，研究者采用了具有200步的DDIM采样器，并且为每个模型生成了12,000个样本来计算FID,IS,KID以及OCR-SIM1。稳重使用无分类器指导（CFG）来测试超调节。
下表1展示了不同文本编码器的结果。可见，大型文本编码器产生了最好的定性结果，并且可以通过增加CFG的规模来改进条件生成。虽然定性样本没有足够的质量来解决问题，但FigGen已经掌握了文本和图像之间的关系。
下图2展示了调整无分类器指导（CFG）参数时生成的额外FigGen样本。研究者观察到增加CFG的规模（这在定量上也得到了体现）可以带来图像质量的改善。
下图3展示了FigGen的更多生成示例。要注意样本之间长度的变化，以及文本描述的技术水平，这会密切影响到模型正确生成可理解图像的难度。
不过研究者也承认，尽管现在这些生成的图表不能为论文作者提供实际帮助，但仍不失为一个有前景的探索方向。
往期精彩回顾适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码论文插图也能自动生成了！用到了扩散模型，还被ICLR 2023接收！
点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
点击进入—>【扩散模型和Transformer】交流群
转载自：机器之心| 编辑：杜伟、梓文
如果论文中的图表不用绘制，对于研究者来说是不是一种便利呢？有人在这方面进行了探索，利用文本描述生成论文图表，结果还挺有模有样的呢！
生成式AI已经风靡了人工智能社区，无论是个人还是企业，都开始热衷于创建相关的模态转换应用，比如文生图、文生视频、文生音乐等等。
最近呢，来自ServiceNowResearch、LIVIA等科研机构的几位研究者尝试基于文本描述生成论文中的图表。为此，他们提出了一种FigGen的新方法，相关论文还被ICLR2023收录为了TinyPaper。
论文地址：https://arxiv.org/abs/2306.00800
也许有人会问了，生成论文中的图表有什么难的呢？这样做对于科研又有哪些帮助呢？
科研图表生成有助于以简洁易懂的方式传播研究结果，而自动生成图表可以为研究者带来很多优势，比如节省时间和精力，不用花大力气从头开始设计图表。此外设计出具有视觉吸引力且易理解的图表能使更多的人访问论文。
然而生成图表也面临一些挑战，它需要表示框、箭头、文本等离散组件之间的复杂关系。与生成自然图像不同，论文图表中的概念可能有不同的表示形式，需要细粒度的理解，例如生成一个神经网络图会涉及到高方差的不适定问题。
因此，本文研究者在一个论文图表对数据集上训练了一个生成式模型，捕获图表组件与论文中对应文本之间的关系。这就需要处理不同长度和高技术性文本描述、不同图表样式、图像长宽比以及文本渲染字体、大小和方向问题。
在具体实现过程中，研究者受到了最近文本到图像成果的启发，利用扩散模型来生成图表，提出了一种从文本描述生成科研图表的潜在扩散模型——FigGen。
这个扩散模型有哪些独到之处呢？我们接着往下看细节。
模型与方法
研究者从头开始训练了一个潜在扩散模型。
首先学习一个图像自动编码器，用来将图像映射为压缩的潜在表示。图像编码器使用KL损失和OCR感知损失。调节所用的文本编码器在该扩散模型的训练中端到端进行学习。下表3为图像自动编码器架构的详细参数。
然后，该扩散模型直接在潜在空间中进行交互，执行数据损坏的前向调度，同时学习利用时间和文本条件去噪U-Net来恢复该过程。
至于数据集，研究者使用了Paper2Fig100k，它由论文中的图表文本对组成，包含了81,194个训练样本和21,259个验证样本。下图1为Paper2Fig100k测试集中使用文本描述生成的图表示例。
模型细节
首先是图像编码器。第一阶段，图像自动编码器学习一个从像素空间到压缩潜在表示的映射，使扩散模型训练更快。图像编码器还需要学习将潜在图像映射回像素空间，同时不丢失图表重要细节（如文本渲染质量）。
为此，研究者定义了一个具有瓶颈的卷积编解码器，在因子f=8时对图像进行下采样。编码器经过训练可以最小化具有高斯分布的KL损失、VGG感知损失和OCR感知损失。
其次是文本编码器。研究者发现通用文本编码器不太适合生成图表任务。因此他们定义了一个在扩散过程中从头开始训练的Berttransformer，其中使用大小为512的嵌入通道，这也是调节U-Net的跨注意力层的嵌入大小。研究者还探索了不同设置下（8、32和128）的transformer层数量的变化。
最后是潜在扩散模型。下表2展示了U-Net的网络架构。研究者在感知上等效的图像潜在表示中执行扩散过程，其中该图像的输入大小被压缩到了64x64x4，使扩散模型更快。他们定义了1,000个扩散步骤和线性噪声调度。
训练细节
为了训练图像自动编码器，研究者使用了一个Adam优化器，它的有效批大小为4个样本、学习率为4.5e−6，期间使用了4个12GB的英伟达V100显卡。为了实现训练稳定性，他们在50k次迭代中warmup模型，而不使用判别器。
对于训练潜在扩散模型，研究者也使用Adam优化器，它的有效批大小为32，学习率为1e−4。在Paper2Fig100k数据集上训练该模型时，他们用到了8块80GB的英伟达A100显卡。
实验结果
在生成过程中，研究者采用了具有200步的DDIM采样器，并且为每个模型生成了12,000个样本来计算FID,IS,KID以及OCR-SIM1。稳重使用无分类器指导（CFG）来测试超调节。
下表1展示了不同文本编码器的结果。可见，大型文本编码器产生了最好的定性结果，并且可以通过增加CFG的规模来改进条件生成。虽然定性样本没有足够的质量来解决问题，但FigGen已经掌握了文本和图像之间的关系。
下图2展示了调整无分类器指导（CFG）参数时生成的额外FigGen样本。研究者观察到增加CFG的规模（这在定量上也得到了体现）可以带来图像质量的改善。
下图3展示了FigGen的更多生成示例。要注意样本之间长度的变化，以及文本描述的技术水平，这会密切影响到模型正确生成可理解图像的难度。
不过研究者也承认，尽管现在这些生成的图表不能为论文作者提供实际帮助，但仍不失为一个有前景的探索方向。
更多研究细节请参阅原论文。
点击进入—>【目标检测和Transformer】交流群
最新CVPR 2023论文和代码下载
后台回复：CVPR2023，即可下载CVPR2023论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF
扩散模型和Transformer交流群成立扫描下方二维码，或者添加微信：CVer333，即可添加CVer小助手微信，便可申请加入CVer-扩散模型或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。一定要备注：研究方向+地点+学校/公司+昵称（如扩散模型或者Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群▲扫码或加微信号:CVer333，进交流群CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉，已汇集数千人！▲扫码进星球▲点击上方卡片，关注CVer公众号整理不易，请点赞和在看