Simple Science

最先端の科学をわかりやすく解説

# コンピューターサイエンス# コンピュータビジョンとパターン認識

会議の論文提出に関する基本ガイドライン

カンファレンス論文の準備と提出のための簡潔なガイド。

― 1 分で読む


会議論文提出の裏側会議論文提出の裏側り越えよう。カンファレンスに論文を提出する複雑さを乗
目次

カンファレンスのための論文を書くときは、特定のガイドラインに従うことが大事だよ。これで、すべての論文が似たように見えて、必要な基準を満たすことができるんだ。これらのルールは、ドキュメントのフォーマットから電子的な提出まで、すべてをカバーしてる。

匿名での提出を書く

いくつかのカンファレンスでは、自分が誰かを明かさずに論文を提出しなきゃいけないことがあるよ。だから、「匿名提出」って名前の代わりに書いてね。所属の詳細も省くことを忘れずに。

論文を送る前には、必ずドキュメントのメタデータをチェックして。特別なツールを使って、特定できる情報をクリアにすることができるよ。自分の以前の作品に言及した場合は、それが自分のものであることが明らかにならないように気をつけてね。

最終論文の準備

論文が受理されたら、最終出版のために準備しなきゃいけないよ。これには、フォーマット、スタイル、提出の要件に従うことが含まれる。Microsoft Wordのようなワードプロセッサを使っているなら、そのソフトウェアの具体的な指示を確認してね。

正しいスタイルファイルの使用

ドキュメントには正しいスタイルファイルを使わなきゃいけないよ。このファイルは、フォントや間隔を含めて、すべての見た目をコントロールするんだ。これらの設定を変更しないでね。指定されたスタイルファイルのみを使うように。

重要な提出指示

論文は期限内に提出することを確認してね。必要な手数料も支払うことが期待されてるよ。

ドキュメントの準備

提出するとき、あなたのドキュメントはPDF形式であるべきだよ。自分が望むように見えるか確認してね。これには、エラーをチェックして、すべてのガイドラインに従っているか確認することが含まれる。

提出に含めるべきもの

作業を提出するときは、以下を忘れずに含めてね:

  • ドキュメントのPDFバージョン。
  • 論文のテキストが入った1つのソースファイル。
  • 必要な参考文献のファイル。
  • 論文に使用したグラフィック。

ファイルは、他のサポートファイルが不要で動作するべきだよ。

論文のフォーマット

論文は正しくフォーマットされてないと受理されないよ。これにはテキストのレイアウト、余白、間隔、フォントサイズが含まれる。

ドキュメントのレイアウト

論文は二段組のレイアウトを使うべきだよ。各カラムは約3.3インチの幅で、二つのカラムの間には少しスペースが必要。ドキュメントのサイズはUSレターサイズで、8.5×11インチだよ。

余白

特定の余白の要件があるよ:

  • 上余白:最初のページは1.25インチ、他のページは0.75インチ。
  • 左右余白:0.75インチ。
  • 下余白:1.25インチ。

これらの仕様から余白を変えないでね。

フォントの選択

論文には特定のフォントを使わなきゃいけないよ。好ましいフォントはTimes RomanかNimbus。Computer ModernやPalatinoのような他のフォントは使っちゃダメだよ。

フォントサイズ

論文のメインテキストは、10ポイントサイズで12ポイントの行間に設定するべきだよ。セクションの見出しは正しくフォーマットされていて、サイズを変えないように。

タイトルと著者情報

タイトルは二つのカラムをまたいでセンターに配置して、太字で16ポイントのサイズで書くべきだよ。タイトルは特定の大文字小文字のルールに従う必要がある。

著者の名前はタイトルの下にセンターに配置され、対応する所属が続くよ。

アブストラクトの準備

論文にはアブストラクトが必要だよ。これは、論文の概要を読者に伝える簡単な要約であるべきだよ。

参考文献

参考文献セクションは論文の最後にくるよ。引用したすべてのソースを含めることが重要だよ。フォーマットが一貫して完全であることを確認してね。

作品の引用

テキストで他の作品に言及するときは、著者の名字と出版年を使ってね。もし作品に複数の著者がいる場合は、適切にリストアップして。

参考文献の含め方

参考文献には、使用したすべてのソースの詳細をフルに記載し、選択したスタイルガイドに従ってフォーマットするべきだよ。

図と表

論文に図や表が含まれている場合、これらを正しくフォーマットする必要があるよ。

図の挿入

図は、.jpg、.png、または.pdfの適切なフォーマットであるべきだよ。引用されるテキストの近くに配置してね。

図のキャプション

すべての図にはキャプションが必要で、図の下に配置されるべきだよ。キャプションは正しいフォントサイズとスタイルであることを確認してね。

表の提示

表も特定のフォーマットルールに従うべきだよ。表の内容は明確で読みやすいものである必要がある。

よくある間違いを避けるために

論文を準備する際にいくつかの一般的なエラーがあるよ。

メタデータを忘れる

大きな間違いの一つは、ドキュメントのメタデータをチェックしないことだよ。自分を特定できるような個人情報がないか、必ず確認してね。

フォーマットの間違い

フォーマットをダブルチェックすることを忘れないで。論文が必要なガイドラインを満たしていない場合は、修正のために返されるかもしれないよ。

長すぎる論文

論文が長すぎる場合は、重要な内容を失わずに短くする方法を見つけてね。セクションを削ったり、図のサイズを減らすことが含まれるかもしれない。

提出前の最終チェック

論文を提出する前に、すべてが正しいか確認してね。エラーがないかドキュメント全体を見直して、すべての要件が満たされているか確認して。

最終ドキュメントの校正

PDFを最後まで読んで、見逃したかもしれないミスを見つけることが重要だよ。特に謝辞セクション、参考文献、そしてすべてのテキストに注意を払ってね。

結論

論文提出のガイドラインに従うことは、自分の作品が受理されるために重要だよ。ドキュメントを準備する際に、フォーマットとスタイルのルールを守ってね。自分の作業を丁寧に見直して、すべての材料が含まれていることを確認することで、成功する出版のチャンスを高めるよ。

オリジナルソース

タイトル: MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table

概要: Neural radiance field (NeRF) has shown remarkable performance in generating photo-realistic novel views. Among recent NeRF related research, the approaches that involve the utilization of explicit structures like grids to manage features achieve exceptionally fast training by reducing the complexity of multilayer perceptron (MLP) networks. However, storing features in dense grids demands a substantial amount of memory space, resulting in a notable memory bottleneck within computer system. Consequently, it leads to a significant increase in training times without prior hyper-parameter tuning. To address this issue, in this work, we are the first to propose MF-NeRF, a memory-efficient NeRF framework that employs a Mixed-Feature hash table to improve memory efficiency and reduce training time while maintaining reconstruction quality. Specifically, we first design a mixed-feature hash encoding to adaptively mix part of multi-level feature grids and map it to a single hash table. Following that, in order to obtain the correct index of a grid point, we further develop an index transformation method that transforms indices of an arbitrary level grid to those of a canonical grid. Extensive experiments benchmarking with state-of-the-art Instant-NGP, TensoRF, and DVGO, indicate our MF-NeRF could achieve the fastest training time on the same GPU hardware with similar or even higher reconstruction quality.

著者: Yongjae Lee, Li Yang, Deliang Fan

最終更新: 2023-09-06 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2304.12587

ソースPDF: https://arxiv.org/pdf/2304.12587

ライセンス: https://creativecommons.org/licenses/by-nc-sa/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。

著者たちからもっと読む

類似の記事