AI 生成内容(AIGC):一项调查
该研究综述了生成模型的历史和基本组成部分,并从单模态和多模态交互的角度介绍了文本和图像生成任务及相关模型,讨论了人工智能生成内容领域中的开放性问题和未来挑战。
Mar, 2023
本文针对 AI 基模型带来的 AI 生成内容(AIGC)涉及的工作原理、安全和隐私威胁、最新解决方案、以及未来挑战等方面做出了深入调查,主要讨论了 AIGC 的架构、工作模式和关键特征、安全和隐私威胁、道德和社会影响,最后针对 AIGC 未来的挑战和研究方向进行了总结。
May, 2023
通过引入内容生成层,将人工智能生成内容 (AIGC) 与语义通讯 (SemCom) 结合起来,提供了清晰的 AIGC 与 SemCom 之间互动产生有意义和有效内容的概念模型,并提出了一种基于 AIGC 技术的语义信息编码器和解码器的新框架,以优化 AIGC 服务的语义提取和评估指标,从而适应不同类型的内容生成、所需质量和语义信息使用。通过使用深度 Q 网络 (DQN),展示了对优化问题的可行性和收敛特性的有益见解。
Aug, 2023
最近几年,大型语言模型和扩散模型等生成人工智能模型在内容生产方面产生了革命性的影响,其生成的内容已嵌入到日常生活和工作的各个方面,涵盖了文本、图像、视频和音频。尽管人工智能生成的内容的真实性越来越高,接近人类创作水平,但这些技术也导致了伪造的人工智能生成内容的出现,给真伪信息的鉴别带来了新的挑战。本文提出了一个新的分类方法,更全面地介绍了目前伪造的人工智能生成内容的方法。接下来,我们探讨了伪造的人工智能生成内容的模态和生成技术,归类为人工智能生成的虚假信息和误导信息。在多个角度上,我们介绍了伪造的人工智能生成内容的检测方法,包括欺骗性伪造的检测、深度伪像的检测和错觉性伪造的检测。最后,我们讨论了未来研究的重要挑战和有希望的研究领域。
Apr, 2024
本文旨在探讨 AI 生成内容(AIGC)的三个主要问题:隐私、偏见、毒性、误导和知识产权的风险,并提供解决这些风险的可行方向,以实现 AIGC 的负责任和安全部署。
Mar, 2023
本文介绍了人工智能生成内容(AIGC)的技术及其在无线边缘网络中的应用,提出了 AIGC 作为服务(AaaS)的概念,并讨论了在边缘网络上部署 AaaS 的挑战。同时,我们还引入了几个基于图像的感知质量评估指标,并提出了一种通用有效的模型来说明计算资源与用户感知质量评估指标之间的关系。为了实现高效的 AaaS 和最大化在无线边缘网络中生成内容的质量,我们提出了一种深度强化学习启发的算法来选择最佳 ASP。仿真结果表明,相对于四个基准策略,即避免过载,随机,轮流以及上限方案,我们提出的算法可以为用户提供更高质量的生成内容并实现更少的崩溃任务。
Jan, 2023
研究旨在分析中国在 AI 生成内容(AIGC)领域的现状,从基础技术和当前应用入手,探讨市场状况、政策环境和发展轨迹,并重点关注 AIGC 产品及其生态系统的建设,同时讨论 AIGC 行业面临的挑战与风险,并对未来发展进行前瞻性展望。
Aug, 2023
人工智能生成内容(AIGC)已经引领了一场新的技术革命,推动了数字内容的获取并推动传统编解码器在性能提升和多样化功能方面的进展,本文全面回顾了生成式视觉压缩的最新进展,展示了在超低码率通信,用户指定的重建 / 滤波和智能机器分析方面的巨大潜力和有前景的应用。特别是,我们回顾了基于深度生成模型的视觉数据压缩方法,并总结了如何通过生成技术实现紧凑的表示和高保真重建。此外,我们概括了相关的生成式压缩技术用于机器视觉和智能分析。最后,我们讨论了生成式视觉压缩技术面临的基本挑战,并展望了它们未来的研究方向。
Feb, 2024
AI 生成内容(AIGC)方法旨在使用 AI 算法产生文本、图像、视频、3D 资产和其他媒体。本文综述了跨不同数据模态的 AIGC 方法,包括单模态和多模态,重点介绍了各种挑战、代表性研究以及最近的技术方向,并在各种模态中提供了对多个基准数据集的比较结果。此外,本文还讨论了挑战和未来研究方向。
Aug, 2023
本文系统地回顾了 AIGC 的概念、分类和基础技术,讨论了从多个角度面临的隐私和安全挑战,并针对性地列出了当前存在的应对措施。作者希望这项调查能帮助研究人员和企业构建更安全、更健壮的 AIGC 系统。
Jun, 2023