在计算机科学领域，很多研究论文的目标是解决工业界实际问题，并将相关代码发布在GitHub等开源社区以促进技术的传播和应用。以下是一些在GitHub上开源的、针对工业领域的计算机论文相关项目的例子：
- TensorFlow – 由Google发布的开源机器学习库，广泛应用于工业界的深度学习项目。虽然它本身不是一篇论文，但TensorFlow的发布伴随着多篇论文，解释了其设计原理、优化和应用。GitHub上的TensorFlow项目包含了大量由研究者和开发者贡献的模型和算法实现。
- PyTorch – Facebook于2016年发布的深度学习框架，以其灵活性和易用性受到研究者和工业界的欢迎。与PyTorch相关的很多论文也会开源其实现代码。
- RAFT (Recurrent All-Pairs Field Transforms) – 这是一种用于视觉光流估计的深度学习方法，可能应用于自动驾驶和工业监控等领域。论文的作者通常会在GitHub上发布预训练模型和代码。
- DETR (DEtection TRansformer) – Facebook AI提出的一种新型目标检测方法，使用Transformer结构替代了传统的CNN+NMS流程，简化了目标检测的流程并提高了性能。相关的代码和模型通常会在论文发布后不久开源在GitHub上。
- YOLOX – 是一种高效且可扩展的目标检测框架，适用于工业应用中对性能和准确性有高要求的场景。其GitHub仓库包含了多种预训练模型和工具，方便用户进行部署和定制。
- AlphaFold – 由DeepMind开发的用于预测蛋白质结构的深度学习算法。虽然最初的代码不是开源的，但随后DeepMind发布了开源版本的AlphaFold，并在GitHub上提供了代码和预训练模型，这对于生物技术和制药工业具有重要意义。
- FastAPI – 这不是一个直接由论文产生的项目，而是一个用于构建API的现代、快速（高性能）的web框架，使用Python 3.7+的类型提示。它在工业界被广泛采用，特别是对于那些需要快速开发和强大性能的后端服务。
- Transformers – 由Hugging Face发布的自然语言处理库，专注于Transformer架构。这个库包含了多个预训练的Transformer模型，如BERT、GPT-2和T5，这些模型在NLP任务中表现出色，并被广泛应用于工业应用中。
- Dask – 一个并行计算库，用于在Python中进行大规模数据分析。虽然不是直接由一篇论文产生，但Dask的设计和实现原则在多篇论文中有所讨论，并且它在工业数据科学领域得到了广泛应用。
- OpenCV – 开源计算机视觉和机器学习库，包含多种图像处理和计算机视觉算法的实现。OpenCV本身是一个长期的项目，但它的许多功能和方法都是基于学术论文的研究成果。
以上是一些在GitHub上开源的、与工业界紧密相关的计算机论文项目的例子。实际上，每天都有大量的新论文和项目在GitHub上发布，覆盖各种计算机科学子领域。可以通过关注计算机科学领域的顶级会议（如NeurIPS、ICML、CVPR、ECCV、ACL等）和期刊，以及关注GitHub上的知名研究者和组织，来获取最新的开源项目和论文实现。