本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

May, 2020

本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。

Nov, 2017

本文提出了一种对现有数字图像篡改定位算法进行真实世界应用安全性评估的对抗性攻击方案，通过基于优化和梯度的敌对示例的白盒和黑盒攻击来揭示这种篡改定位器的可靠性，从而准确预测篡改区域并保持高视觉质量的同时，大大降低了定位精度。

Sep, 2023

本研究提出了一种检测对抗性样例的方法，通过估计对抗性攻击造成的修改概率来增强隐写分析特征，实验证明该方法可以准确检测对抗性样例，并且没有基于神经网络，而是基于高维人工特征和 FLD (Fisher Linear Discriminant) 系列，因此不能直接进行二次对抗性攻击。

Jun, 2018

通过填补世界相关性结构的缺失，利用文本到图像生成模型改进人类模型在性别识别等方面的能力，显示了一种目标图像编辑数据增强方法在性别、颜色和计数能力方面提高图像字幕度量的性能，并分析了图像字幕模型在视觉编码和文本解码方面的不同行为表现。

Sep, 2023

这篇综述论文提供了基于深度学习的鲁棒隐写分析方法的全面概述，包括图像、音频和视频等各种类型的鲁棒隐写分析，讨论了最常用的深度学习技术，并探讨了更先进的深度学习技术如深度迁移学习（DTL）和深度强化学习（DRL）在提升隐写分析系统性能方面的应用。同时，文中还系统回顾了该领域最近的研究，包括使用的数据集和评估指标，并对基于 DTL 的隐写分析方法及其在不同数据集上的性能进行了详细分析。整篇综述最终讨论了目前基于深度学习的隐写分析研究的现状、挑战和未来研究方向。

Aug, 2023

通过引入对抗噪声来执行有针对性的属性生成对 SDEdit 的有效攻击，同时利用属性感知型目标函数和优化对输入笔触绘画添加的对抗噪声。

Feb, 2024

该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

Sep, 2020

本文提出了一种统计一致性攻击（StatAttack），旨在通过选择自然降解并将其以对抗方式添加到虚假图像中，减少 DeepFake 检测器对自然与 DeepFake 图像之间的统计差异的检测效果，并采用分布感知损失来引导不同变形的优化。通过在四个基于空间的检测器和两个基于频率的检测器上进行全面的实验，展示了我们提出的攻击方法的有效性，在白盒和黑盒设置下均实现了成功。

Apr, 2023

本文提出了一种新颖的域适应方法 SiSTA，该方法利用单次训练目标任务样本 fine-tuned 生成模型，以产生配对的真实目标标注数据，并证明在面部属性检测和多类对象识别等基准测试中，SiSTA 相对其他方法表现更优秀。

May, 2023