- 控制速率、失真和逼真度：走向一个全面的神经图像压缩模型
近年来，神经网络驱动的图像压缩（NIC）方法备受关注。本文提出了一种可变比率的生成式 NIC 模型，通过多种鉴别器设计和引入新的对抗损失，结合新提出的多真实感技术，用户能够通过单一模型灵活地调整比特率、失真和真实感，实现了极高的可控性并覆盖 - SCott：借助随机一致性蒸馏加速扩散模型
通过集成随机微分方程求解器到一致性蒸馏中，提出并验证了 Stochastic Consistency Distillation (SCott) 方法，该方法能够加快文本到图像生成的过程，并且在稳定扩散 - V1.5 模型上，表现优于其他模型 - 双头辨别器的持续领域对抗适应
在持续设置中的领域对抗适应存在一定挑战，由于无法访问以前的源域数据。与持续学习的广泛研究不同，仅仅使用少量存储的源域数据无法有效地完成对抗适应任务，这是内存回放方法中的常见设置。本文提出了一种双头鉴别器算法，通过引入一个仅在源学习阶段训练的 - 基于 ROI 权重的学习图像压缩与比特分配
我们提出了一种用于图像压缩的方法，通过使用对抗性损失生成逼真的纹理，利用感兴趣区域（ROI）掩码来指导不同区域的位分配，以达到更好的感知质量。
- 对抗扩散蒸馏
Adversarial Diffusion Distillation (ADD) is a new training approach that efficiently samples large-scale image diffusion - 分布稳健的迁移学习
我们的论文介绍了一种新颖的转移学习方法，即分布鲁棒优化（TransDRO），它破除了严格的相似性约束，并通过在不确定性集合内优化最具对抗性的损失来优化目标数据的预测性能。通过数值研究和多机构电子健康记录数据的分析，我们验证了 TransDR - 具有多次游玩的对抗性睡眠强盗问题：算法与排名应用
该论文提出了一种在在线推荐系统中解决多次玩睡眠盗贼问题的高效算法，该问题涉及有界的对抗性损失和未知的 i.i.d. 分布，所提出的算法扩展了单次选择臂的睡眠盗贼算法，能够保证理论性能，后悔上限为 O (kN^2√(TlogT))，其中 k - 一种纹理自适应聚合的基于参考图像的超分辨率特征重用框架
本文提出了一种特征重用框架，用于引导逐步纹理重建过程，减少感知损失和对抗性损失的负面影响，并通过单图特征嵌入模块和纹理自适应聚合模块来进行准确的对应匹配和纹理信息传输，从而增强了参考纹理的利用并减少了误用。
- CVPR学习语义感知知识引导低光图像增强
该研究提出了一种新的基于语义感知的知识引导框架，结合语义分割模型在低光图像增强中学习丰富多样的先验知识，并通过三个方面的方法实现：语义感知嵌入模块、语义引导颜色直方图损失和语义引导对抗性损失。实验结果表明，该框架在多个数据集上均优于基线模型 - ACQ: 通过关注力校正来提高生成式无数据量化
该论文提出了 ACQ 方法，通过注意力中心位置条件发生器和对手损失等技术，解决了数据合成过程中 attention 分布不均和同一类别合成样本之间注意力过于相似的问题，以提升量化算法的性能。在对 Resnet18 和 Resnet50 进行 - 基于表示学习和领域自适应的跨领域少样本关系抽取
该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。
- MM预训练多语言神经机器翻译模型的鲁棒领域自适应
本文提出一种将多语言神经机器翻译模型域自适应的 Fine-tuning 方法，结合 Embeddings 冻结与对抗性损失，能在保持所有语言对的通用领域性能的同时，显著提高处理特定数据领域的性能。
- ECCVBokeh-Loss GAN：逼真且边缘感知的虚化多阶段对抗训练
本研究提出了基于网络的方法，利用预测的单眼深度图和三种新的边缘感知 Bokeh 损失，以生成逼真的单眼 Bokeh 效果，并使用对抗性损失进行微调，实验结果表明，我们的方法能够处理复杂场景，产生锐利边缘而自然的 Bokeh 效果。
- 端到端的双耳语音合成
本文提出了一种端到端的双耳语音合成系统，该系统将低比特率音频编解码器与强大的双耳解码器相结合，能够准确地进行语音双耳化，同时忠实地重构环境因素，如环境噪声或混响。网络采用改进的矢量量化变分自动编码器，通过多个仔细设计的目标进行训练，包括对抗 - ICML关于域对抗训练中平滑性的深入探究
本文对平滑性增强公式对于领域对抗训练的影响进行了分析，发现通过对任务损失和对抗项的平滑最小值进行收敛来稳定对抗训练可以在目标领域获得更好的性能。作者介绍了 SDAT 过程，该过程有效地提高了现有领域对抗方法的性能，同时提供了 SGD 在领域 - ICML$\mathscr {H}$- 替代损失函数最小化器的一致性估计误差
本文主要研究代理损失估计误差及其保证方法，提供零一损失和对抗性损失两种情况下的具体保证方法，并通过模拟实验证明了其紧密性。
- 带有复合匿名反馈的非随机赌博机
研究非随机赌博环境下的遗憾界，提出了基于 FTRL with Tsallis entropy 的算法转化方法。
- ICCV无配对图像转换对比学习中基于实例的难负样本生成
本文研究了无序图像翻译中对比学习的性能问题，提出了实例级别的负样本生成方法 NEGCUT，通过基于输入图像的生成器提出容易区分正样本的负样本，训练方式为对抗损失。此方法在三个基准数据集上显示出了明显优势。
- GANs N' Roses：稳定、可控、多样的图像到图像转换（也适用于视频！）
本文提出了一种使用内容编码和随机选取风格编码生成动漫图像的方法，并从其简单而有效的内容和风格定义中导出了对抗性损失，可以生成非常丰富的动漫风格；通过丰富的定量和定性实验支持本方法的正确性；并可在不训练视频的情况下进行视频转换，从而为内容和风 - AAAI通过混合目标函数重新审视 LSTM 网络，用于半监督文本分类
本文研究双向 LSTM 网络在文本分类任务中的监督和半监督学习方法，利用交叉熵损失以及熵最小化、对抗和虚拟对抗损失相结合的训练策略，在多个基准数据集上取得了最新的文本分类结果。