本研究提出了一种名为 Saliency-aware Noise Blending(SNB)的简单而有效的方法,旨在将文本引导扩散模型组合起来以实现更可控的生成,并在各种应用中展现出令人印象深刻的有效性。
Mar, 2023
使用集成学习方法和聚合方法相结合的浅层神经网络在少样本类别增量学习问题上表现出良好性能。
Oct, 2023
本文提出了自适应特征对齐的方法,通过预测双 BN 结构中的融合权重,不引入任何超参数,且在不牺牲模型标准精度的情况下,有效地提高了模型的鲁棒性,并且在 CIFAR-10、SVHN 和 tiny-ImageNet 数据集上全面超越了现有的技术。
May, 2021
本研究提出了一种基于 Adversarial Decoupling Augmentation Framework (ADAF) 的面部隐私保护算法,通过针对图像 - 文本融合模块增强面部隐私保护算法的防御性能,采用多级文本相关增强措施提高对各种攻击者提示的防御稳定性,并在 CelebA-HQ 和 VGGFace2 上进行广泛的实验,证明了 ADAF 比现有算法具有更好的性能。
May, 2023
在这篇研究论文中,我们介绍了一种半离线强化学习框架,用于评估部署活动特征获取性能 (active feature acquisition performance evaluation, AFAPE)。首先,我们将 AFAPE 问题扩展到静态特征环境中,从而为 AFA 代理提供决策特征获取顺序的更大灵活性。然后,在半离线强化学习框架中,我们推导和适应了新的逆概率权重估计器 (inverse probability weighting, IPW),直接方法估计器 (direct method, DM) 和双重强化学习估计器 (double reinforcement learning, DRL)。这些估计器可应用于具有缺失数据的回顾数据集,无论缺失性是否遵循随机缺失 (missing-at-random, MAR) 模式或非随机缺失 (missing-not-at-random, MNAR) 模式。在合成数据和真实世界数据的实验中,我们展示了半离线强化学习估计器在合成 MAR 和 MNAR 缺失数据下的改进数据效率。
Dec, 2023
探索了针对盲目图像质量评估 (BIQA) 的扩散模型的感知特征扩散图像质量评估 (PFD-IQA) 方法,提出了一个感知先验发现和聚合模块和一个基于感知先验的特征细化策略来消除质量感知特征中的噪声,该方法在八个标准 BIQA 数据集上进行的实验证明其优于现有方法,达到了 0.935 和 0.922 的 PLCC 值。
Jan, 2024
本文提出了一种基于多尺度自适应网络的单张图像去噪方法 (MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征,并提出了自适应特征块 (AFeB), 自适应多尺度块 (AMB) 和自适应融合块 (AFuB) 进行实现,并在多组图片去噪实验中展现出比传统方法更好的表现。
Mar, 2022
本文提出一种利用两种最新的深度人脸识别模型 ArcFace 和 AdaFace 的输出进行聚合的技术,通过利用 Transformer 注意机制来改善人脸识别系统的总体区分能力,并通过引入信息瓶颈原理来确保聚合特征保留最相关和区分能力最强的信息。在流行的基准测试中,我们的方法在人脸识别性能上展现出了一致的改进,证明了其有效性。
Sep, 2023
通过比较三种新的估计方法,我们介绍了主动特征获取性能评估 (AFAPE) 的问题,以及在实施活动特征获取 (AFA) 代理时的分布迁移情况。
AdaDiff 是一个轻量级框架,通过学习实例特定的步骤使用策略,优化了扩散模型的图像 / 视频生成过程,以最大化平衡推理时间和生成质量的回报函数,并在减少推理时间至少 33% 的情况下实现与基准方法相似的视觉质量。
Nov, 2023