- STAL3D：基于协作自训练和对抗学习的 3D 物体检测无监督域自适应
我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架，称为 STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域 - ICMLReLU 网络输入优化的激活 - 下降正则化
我们提出了一种新的 ReLU 网络输入优化方法，明确考虑了激活模式变化的影响。我们分析了输入空间和激活模式空间中的局部优化步骤，提出了具有优越局部下降性质的方法。为了实现这一目标，我们将激活模式的离散空间转化为可微分表示，并提出了改进每个下 - Adv-KD: 教师对抗知识蒸馏以加速扩散采样
通过将去噪步骤直接整合到模型的架构中，本研究提出了一种新方法，将扩散模型与生成对抗网络结合起来，通过知识蒸馏实现更高效的训练和评估，从而减少了所需的参数和去噪步骤，提高了测试时的采样速度。
- 应用动作空间中自适应对抗扰动的鲁棒深度强化学习
深度强化学习算法中的模拟和真实世界之间的建模错误问题，通过使用对抗学习生成扰动以建模差异并提高深度强化学习的鲁棒性，在控制对抗性扰动的参数上存在平均性能和鲁棒性之间的权衡。为了保持训练的稳定性并提高鲁棒性，我们提出了一种简单而有效的方法，即 - 多目标无监督领域自适应语义分割
通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成 - 真实和真实 - 真实的适应设置中显著优于现有最先进解决方案。
- 骨骼匿名化的对抗引导运动重定向
基于运动重定向的隐私保护深度动作重定向模型（PMR）通过对抗学习，帮助实现与最先进模型相当的运动重定向效果，并降低隐私攻击的成功率。
- 大型语言模型的因果可解释弹道
LLMGuardaril 是一个新型的框架，结合因果分析和对抗学习，以获取大型语言模型中的无偏导向表示，从而将其引导到预期的属性，同时减少偏见。
- 想象看见：通过对抗特征补全实现被遮挡行人检测
我们提出了一种基于特征补全和对抗学习的行人检测方法，通过对被遮挡区域进行特征补全，实现了行人特征的对齐，实验证明该方法在重度遮挡场景下取得了显著改进，并在多个数据集上达到了最先进的结果。
- 通过对抗性语言适应实现零样本跨语言立场检测
在多语言状态检测领域，本论文首次引入零样本跨语言状态检测方法（MTAB），通过翻译增强和对抗学习提升了模型效果，实验证明了该方法的有效性。
- 逆条件置换实现灵活公平学习
通过结合对抗学习和一种新颖的逆条件排列，我们介绍了一种公平学习方法，有效且灵活地处理多个敏感属性，可能包含不同数据类型，从而填补了当前研究中专注于单个敏感属性违反平衡几率的空白。通过模拟研究和对真实数据集的实证分析，我们展示了该方法的功效和 - 单声道音源分离的最大差异生成正则化和非负矩阵分解
通过对极小化和生成式学习的对抗训练方法，我们提出了最大差异生成式正则化的新方法，并应用于非负矩阵分解的源分离问题，实验证明在有限或无监督数据情况下重建信号的质量有明显改进。
- MoreStyle: 广义医学图像分割中基于傅里叶的图像重建的低频约束放松
通过引入一种数据增强的插件模块 MoreStyle，该研究通过放宽傅里叶空间中低频约束来增加图像样式的多样性，并引入对抗学习进一步扩展样式范围，并在潜在特征中找到最复杂的样式组合，从而有效地帮助实现良好的领域普适性，有潜力进一步提升一些先进 - 游戏与参考：疫情防控政策组合综合
我们提出了一种新颖的疫情政策制定模型，采用对抗学习和对比学习的方法，以确保模型始终学习到有用的信息，并在真实世界数据上进行了广泛的实验证明了该模型的有效性。
- 多源半监督对抗领域泛化网络用于跨场景海 - 陆杂波分类
提出了一种基于深度学习的多源半监督对抗领域泛化网络（MSADGN），用于海陆杂波实时预测，该方法在十二个领域泛化情景中验证了其有效性，并与十种先进的领域泛化方法进行了比较。
- 用神经最优传输估计分布的重心
使用建立在最优输运（Optimal Transport）的对偶形式基础上的新的可扩展方法，提出了求解 Wasserstein barycenter 问题的策略，具有双层对抗学习目标且适用于广义成本函数，同时在理论上建立了误差界限，并在图像数 - 增强跨域检测：自适应分类感知对比变换器
我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器，通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明，我们的方 - 基于递进对抗学习的无人机视觉地理定位的视角分布对齐
提出了一种名为 PVDA（Progressive View Distribution Alignment）的网络，通过逐步对抗性学习策略来解决无人机（UAV）视觉地理定位中的图像间分布差异问题，以学习与地点相关且与视角无关的特征，并在 Un - AAAI基于三维可见性感知的通用神经辐射场模型用于交互手部
这篇论文提出了一种可推广的可见性感知交互手部 NeRF（VA-NeRF）框架，通过利用可见性信息和改进的对抗学习，能够更好地还原具有交互的手部场景中不可见区域的特征，从而在 Interhand2.6M 数据集上取得显著的性能提升。
- CRNNet：复制循环神经网络结构网络
提出了一种新的电子健康记录编码框架，使用复制循环神经网络结构网络（CRNNet）来检测并识别并发症，通过对抗学习策略和复制模块提高编码过程中识别并发症的效率。实验证明，该方法在预测中成功识别并发症的比例达到 57.30％，证明了该模型的有效 - GenDet：面向 AI 生成的图像检测的良好泛化能力
该论文提出了一种针对未知生成器的异常检测视角下的对抗式师生差异感知框架，通过采用对抗学习训练特征增强器，促使真实图像与教师模型之间的输出差异较小，而假图像的输出差异较大，从而解决了未知生成器检测问题。实验结果在公共基准测试中达到了最先进水平