- 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 - 语义分割的对抗性半监督域自适应:标记目标样本的新角色
该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法,该方法不仅在语义分割和单一域分类器神经网络上具有实用价值,还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况,并提出一种基于熵的无监督 - 对抗去噪扩散模型用于无监督异常检测
本文提出了基于敌对去噪扩散模型(ADDM)的研究。ADDM 基于去噪扩散概率模型(DDPM),并通过敌对学习进行互补训练。实验结果表明,ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。
- 特征偏移检测与校正的对抗学习
利用对抗性学习的原则,结合主流的监督分类器和简单迭代启发式方法,本研究探索了利用多个辨别器的信息来检测和修复数据集之间特征变化,以消除特征变化所带来的分布偏移,优于当前的统计和神经网络技术。
- 使用合成数据学习一次性 4D 头像合成
现有的一次性 4D 头部合成方法通常通过 3DMM 重建从单眼视频中学习,然而后者同样具有挑战性,限制了它们对合理的 4D 头部合成的使用。我们提出了一种通过大规模合成数据学习一次性 4D 头部合成的方法。关键在于首先通过对抗学习从单眼图像 - SIRAN: 使用 Sinkhorn 距离正则化的对抗网络进行 DEM 超分辨率重建与区域鉴别性空间自注意力
利用拟对抗学习通过多光谱卫星影像生成高分辨率数字高程模型,在稳定性方面提出了一种优化 Sinkhorn 距离的目标函数,并通过 DEM 数据集实验证明了该模型优于其他基于学习的方法。
- 画家式图像融合通过敌对残差学习
我们使用对抗学习来弥合前景特征图和背景特征图之间的领域差异,实现了更和谐、视觉上更具吸引力的结果。
- MADG:基于边界的领域泛化对抗学习
提出了一种基于边界损失的领域一般化方法(MADG 算法),该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域,同时通过边界损失和 Rademacher 复杂性进行理论分析,实验证明在各种真实 DG 数据集的基准测试 - 基于对抗强化学习的逆向经验攻击时间相关评分系统
我们提出了一种创新的框架,从预设的经验标准出发,通过对抗性学习问题训练,学习出一个适应攻击行为迹象的得分函数,以提高得分系统的鲁棒性。通过在共享计算资源平台和金融信用系统上进行的大量实验证明了我们提出的框架的有效性。
- 竞争强化学习的后验采样:函数逼近和部分观测
该研究讨论了用于竞争强化学习的后验抽样算法,针对一般函数逼近的背景进行研究。在自我对弈和对抗性学习两个关键设置下,提出了自我对弈和对抗性广义躲避者系数(GEC)作为函数逼近的复杂度度量,捕捉了对马尔科夫博弈中的探索与利用的平衡。基于自我对弈 - 基于流量的分布鲁棒优化
我们提出了一种计算效率高的框架,称为 FlowDRO,用于解决基于流的分布鲁棒优化(DRO)问题,该框架利用 Wasserstein 不确定性集,并要求最差情况分布(也称为最不利分布,LFD)连续,从而使该算法能够在具有更大样本量的问题中进 - 使用对抗性学习进行高光谱图像分类的深层内在分解
开发了一种名为 AdverDecom 的新型深度内在分解与对抗学习方法,用于遥感图像分类,以减轻环境因素对分类性能的负面影响,并通过生成网络(HyperNet)提取与环境相关的特征和类别相关的特征,以及通过对抗学习的环境和类别联合学习损失来 - 深度强化学习在自主网络操作中的应用调查
近年来网络攻击数量的快速增加使得有必要提出原则性方法来防御恶意行为者。深度强化学习已成为一种有望减轻这些攻击的方法,但在大规模应用于自主网络操作之前,需要克服许多挑战。本文调研了相关的深度强化学习文献,并构思了一个理想的自主网络操作的深度强 - ADASR:一种针对高光谱和多光谱数据融合的对抗自动增强框架
基于深度学习的高光谱图像超分辨率技术通过深度神经网络融合高光谱图像和多光谱图像,实现了在真实世界场景中的应用,并且提出了一种新的对抗自动数据增强框架 ADASR,它通过对样本对进行优化和增强来丰富数据多样性,有效提高了训练效果。
- FG-NeRF: 基于 Flow-GAN 的概率性神经辐射场用于独立假设无关的不确定性估计
利用 Flow-GAN 提出了一种无独立性假设的概率神经辐射场模型,通过结合对抗学习的生成能力和正则化流的强大表达能力,显式地建模整个场景的密度 - 辐射分布,实现了最先进的性能,并在合成和真实数据集上预测更低的渲染误差和更可靠的不确定性。
- 利用多模态层次表示统一脑部磁共振 - 超声合成
MHVAE 是一种深度分层变分自动编码器,用于合成不同模态的缺失图像,并可处理输入的不完整图像集。通过引入分层潜在结构的多模态 VAE 扩展,我们采用概率模型融合了多模态图像到共同的潜在表示,并采用对抗学习生成更清晰的图像。我们在关节术中超 - 基于模型的离线策略优化与对抗网络
使用对抗学习建立具有更好泛化性能的转移模型,能够更准确地量化模型不确定性,并在广泛研究的离线强化学习基准测试中胜过现有最先进的对照方法。
- ICCVSOAR:场景去偏的开放式行为识别
通过对深度学习模型中可能存在的场景偏置进行建模和抑制,本文提出了一种新方法 —— 场景去偏置开集动作识别(SOAR),其中包括对抗场景重构模块和自适应对抗场景分类模块,实验证明该方法可以有效减轻场景偏置并提高动作识别性能。
- MMMDTD:基于深度神经网络的多领域木马检测器
该研究提出了 MDTD,一种用于检测 DNN 中的多领域特洛伊木马触发器的模型。MDTD 利用对抗学习方法估计距离决策边界的距离,以推断是否存在特洛伊木马触发器,对不同类型的触发器进行有效的识别。
- 对抗性协同过滤免费
在这篇论文中,我们提出了一种名为 SharpCF 的简单而有效的方法,该方法在基本优化器上进行敌对训练的同时并不增加额外的计算成本。通过分析发现,敌对训练实际上是寻求模型参数位于最优模型参数周围,具有统一低损失值的领域,从而实现更好的普适性