利用本地固有维度检测深度扩散模型生成的图像
基于扩散模型的 Fokker-Planck 方程提供了一种解决现有方法缺陷的局部内在维度估计器 FLIPD,它兼容于各种流行的深度生成模型,并在局部内在维度估计基准测试中优于现有基线模型。
Jun, 2024
本文提出了一种基于 GAN 模型学习的数据空间的内在维度特征来评估 GAN 生成数据能力的方法,同时提出了一种新的评估度量 CrossLID,并通过在 4 个基准图像数据集上的实验表明,与其他现有的评价指标相比,CrossLID 更加敏锐,并且可以用于改善 GAN 的生成质量。
May, 2019
本研究介绍了一种基于文本的图像编辑方法,利用最新的扩散模型对一些基于文本主题的地方图像进行编辑,通过结合扩散模型的速度和 Blended Diffusion,提高了编辑的效率,并通过优化方法来解决扩散模型无法完美重建图像的问题,实现了比当前方法更高的精度和速度
Jun, 2022
本文旨在通过对深度神经网络和其对抗样本的研究,提出并利用局部内部维度 (Local Intrinsic Dimensionality,简称 LID) 给出对抗样本的特征维度描述,并且实验结果表明在五种攻击策略和三项基准数据集上,相较于多种当前主流的检测措施,该方法能够更加准确地区分出对抗样本。
Jan, 2018
本研究调查了最近最先进的参数化局部内在维度估计方法,从维纳过程的角度探讨了这些方法在其假设不满足时的行为,并给出了这些方法的扩展数学描述以及其误差与数据的概率密度函数之间的关系。
Jun, 2024
通过将训练于大规模开放领域数据集的扩散模型变为生成先验,提出了一种新颖的基于扩散模型的低光图像增强方法,称为 LDM-SID,该方法通过向扩散模型中插入一组所提出的驯服模块来引导其生成过程,并在观察到扩散模型不同部分的特定生成先验后,将低频内容生成和高频细节维护二分,从而实现对扩散模型的优化结构生成和细节增强。广泛实验证明该方法在定量评估中实现了最先进的性能,并在视觉比较中显示出显著的优越性,从而强调了利用预训练的扩散模型作为 LLIE 任务的生成先验的有效性。
Dec, 2023
通过基于隐式扩散模型的特征增强方法,本研究解决计算机视觉中的长尾不平衡分布问题,并在 CIFAR-LT 和 ImageNet-LT 数据集上验证了模型的准确性提升。
Apr, 2024
本文提出了一种名为 SeDID 的新型检测方法,它利用了扩散模型的特殊属性,即确定性逆和确定性降噪计算误差,分别采用基于统计的 SeDID_Stat 和基于神经网络的 SeDID_NNs,实验证明 SeDID 在应用于扩散模型时优于现有方法,并对区分扩散模型生成的图像做出重要贡献,成为人工智能安全领域的重要一步。
Jul, 2023
本研究采用 LSKNet 骨干网络结构和 DiffusionDet 头部模型,通过新颖方法和大量割除研究对对象检测模型的精确性进行了深入评估,在空中图像对象检测中取得显著性能提升,提出了新的基准,为更精确和高效的对象检测方法铺平了道路。
Nov, 2023