论文中比较好看的图

不断更新中…

其实对于机制示意图而言，颜色的饱和度尽量不要太高（饱和度越高越鲜艳），选择柔和一点的深暗色及浅色系搭配起来，比如前几期的机制图绘制

对于数据图的颜色使用，参考了一位大佬（ID: DrZhao93）的视频，总结了笔记发给大家：

• （一）单条数据线：

    a. 传统：黑/红   流行：深灰/深蓝
    b. 带有其他彩色信息的单条数据线：黑色
    c. 细密、噪音大的单条数据线：深灰色（更清晰，不会乱成一团）
    d. 灰度图、伪彩色图中的单条数据线及标记：使用饱和度高的亮色
    e. 多彩色背景图中的同类型数据点：黑色（若还不够突出，加上白色轮廓）
    f. 多彩色背景图中的同类型数据线：白色、黑色或者与背景对比较强的颜色
  

• （二）两条数据线：

   a. 主次数据对比：最传统的  黑色   vs  红、蓝、绿
   b. 对等数据对比：最流行的  红 +  蓝（不一定饱和度特别高，偏深色也ok）    ，也可以使用互补色 
       对比（AI面板自带，本视频里第五点有说明）
   c. 同一个量的变化：深浅色对比（如黑+灰，深蓝+浅蓝，深红+浅红）
   d. 拟合数据线：拟合线用彩色，背景数据用灰色
  

• （三）三条数据线

•     传统配色  黑/灰（次要数据）+红+蓝
  

• （四）很多数据、成组数据

•  a. 同类型数据：黑/灰、红、蓝（核心数据可加深、加粗）
   b. 变化较大/发生质变的成组数据：彩虹色渐变
   c. 连续变化的成组数据：近似色渐变
   d. 连续变化且接近极致的成组数据：双色渐变、三色渐变（可使用本视频里第2个和第3个网址里的渐变色，origin也有自带的渐变色）
   成组数据情况较多，关键是要突出数据 
  

1：《On Neural Differential Equations》

配色不错，逻辑结构清晰，模块组织完美。

2：《Infinitely Deep Bayesian Neural Networks with Stochastic Differential Equations》

3：《SRFlow》

4 《LIKELIHOOD TRAINING OF SCHRÖDINGER BRIDGE USING FORWARD-BACKWARD SDES THEORY》

配色不错

5



6 toy data的可视化
《Potential Flow Generator with L2 Optimal Transport Regularity for Generative Models》

《SCORE-BASED GENERATIVE MODELING WITH CRITICALLY-DAMPED LANGEVIN DIFFUSION》

或者可以参照Github链接中的Denoiser_haiku.ipynb文件夹编写实验代码。

7 《Neural Stochastic Differential Equations with Neural Processes
Family Members for Uncertainty Estimation in Deep Learning》

8 《Automating DBSCAN via Deep Reinforcement Learning》

9 《Reverse Graph Learning for Graph Neural Network》