Jan, 2023

扩散模型如同艺术家：我们是否正在缩小人类和机器之间的差距？

PDF
TL;DR本研究使用 “多样性 vs. 可识别性” 评分框架，对一次性扩散模型进行了改进，并发现其可以生成看起来似乎是人类所绘制的图画，但在细节原创性和可识别性方面仍不如人类所绘制的图画，这一差距可以部分地被不同的视觉策略所解释。
发现论文，激发创造
  • 测量扩散模型在模仿人类艺术家方面的成功

    现代扩散模型在人工智能图像生成中处于领先地位。本研究发现，这种成功部分归因于在互联网规模的数据上进行训练，其中包括版权作品。研究通过使用 CLIP 编码器进行艺术家的模仿，验证模型是否能够成功模仿人类艺术家。

    Jul, 2023

  • 有机还是扩散型：我们能区分人类艺术和 AI 生成的图像吗？

    生成对抗网络图像与人类创作之间的区分是个具有挑战性的问题，本论文通过使用监督学习的分类器以及艺术家使用其艺术技巧的方法，对现代生成模型的性能进行了研究，并分析了自动化检测器和人类团队的结合可以提供最佳的准确性和鲁棒性。

    Feb, 2024

  • 人类难辩别的图像分布对分类器难辩别吗？

    用分布分类任务发现分类器对图像的识别以边缘和高频成分为主，与人类呈现截然不同的观察结果。

    May, 2024

  • 视觉中的生成人工智能：模型、度量和应用的综述

    这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。

    Feb, 2024

  • 潜在表示的重要性：一次性绘画任务中的人类般素描

    通过研究不同归纳偏差对潜在扩散模型 (Latent Diffusion Models, LDMs) 的潜在空间的影响，我们发现具有减少冗余和基于原型的正则化的 LDM 几乎能够产生接近于人类的图画，使其在样本的可识别性和原创性方面更好地模拟了人类感知（根据心理物理评估），这表明人类与机器在一次性绘图方面的差距几乎已经拉近。

    Jun, 2024

  • 如何区分人工智能生成的图像与真实照片

    这篇研究论文介绍了一种指南，帮助读者更好地识别 AI 生成图像中的伪造和不合理之处，以区分真实照片和 AI 生成图像。

    Jun, 2024

  • 扩散模型模拟人类行为

    本研究在于探讨将扩散模型用于观察到行为模型，以模仿人类在连续环境中的行为。研究发现扩散模型可充分学习联合行动空间的表达分布，具有表现力强等优点。实验结果表明，扩散模型能够精确匹配真实人类行为及控制任务等多方环境表现。

    Jan, 2023

  • 使用扩散模型进行草图控制图像合成

    使用扩散模型进行创意素描到图像的综合，表现为更自由、更精确，不依赖大规模的素描 - 图像数据集，同时也具有图像编辑和插值的应用。

    May, 2023

  • 视觉计算扩散模型的最新进展

    视觉计算领域因生成人工智能的出现而快速发展，介绍了扩散模型的基本数学概念、稳定扩散模型的实现细节和设计选择，以及包括个性化、条件设定、反转等在内的这些生成人工智能工具的重要方面的综述。此外，它还对基于扩散的生成和编辑的迅速增长的文献进行了全面的概述，按照生成介质的类型进行分类，其中包括 2D 图像、视频、3D 对象、运动和 4D 场景。最后，我们讨论了可用的数据集、度量标准、开放性挑战和社会影响。这个综述为研究人员、艺术家和从业者提供了一个直观的起点来探索这个令人兴奋的主题。

    Oct, 2023

  • 扩散艺术还是数码伪造？探究扩散模型中数据复制

    本文研究了图像检索框架，让我们能够比较生成的图像与训练样本，并检测什么时候复制了内容。我们使用这个框架分析了多个数据集上训练的扩散模型，包括牛津花卉，Celeb-A，ImageNet 和 LAION，讨论了训练集大小等因素对内容复制率的影响。同时，我们还发现了一些这种扩散模型直接从其训练数据中复制的情况，包括流行的稳定扩散模型。

    Dec, 2022