ai-generated images | BriefGPT

关键词ai-generated images

搜索结果 - 32

如何区分人工智能生成的图像与真实照片
这篇研究论文介绍了一种指南，帮助读者更好地识别 AI 生成图像中的伪造和不合理之处，以区分真实照片和 AI 生成图像。
PDF24 days ago
WMAdapter：向潜在扩散模型添加水印控制
在保护 AI 生成图像的版权方面，水印技术至关重要。我们提出了 WMAdapter，这是一个扩散模型水印插件，可以在扩散生成过程中进行无缝水印印制。WMAdapter 高效、稳健，着重于高品质图像生成。为了实现这一点，我们进行了两个关键设计
PDF24 days ago
通过合成基准评估大型视觉 - 语言模型对现实世界复杂性的理解
该研究评估了大型视觉语言模型（LVLMs）区分人工生成图像和人类生成图像的能力。通过引入一种新的自动化基准构建方法来进行评估。实验证明 LVLMs 在某种程度上能够区分图像类型，但存在向右的偏差，并且相对于人类表现出明显较差。为了深入研究这
PDFa month ago
A-Bench: LMM 在评估 AI 生成图像方面的能力
如何准确高效地评估人工智能生成的图像（AIGIs）仍然是生成模型面临的重大挑战。为了避免用户研究时高昂的成本和广泛的时间投入，许多研究人员已转向大型多模型模型（LMMs）作为 AIGI 评估器，其精确性和有效性仍然存疑。此外，传统的基准测试
PDFa month ago
UnsafeBench: 对真实世界和 AI 生成图像的图像安全分类器进行基准测试
UnsafeBench 是一个评估图像安全分类器的有效性和鲁棒性的基准框架；通过评估五种常用的图像安全分类器和三种通用视觉语言模型驱动的分类器，发现现有的图像安全分类器在应对不安全图像的多方面问题上不够全面和有效，并且当适用于 AI 生成的
PDF2 months ago
G-Refine：一种用于文本到图像生成的通用质量优化器
通过引入 G-Refine 模型，本研究提出了一种通用图像质量修复方法，能够提高低质量图像的质量，同时不损害高质量图像的完整性，实验证明与传统方法相比，经过 G-Refine 处理的 AI-Generated Images 在多个质量指标上
PDF2 months ago
PKU-AIGIQA-4K：一种用于文本转图像和图像转图像 AI 生成图像的感知质量评估数据库
近年来，图像生成技术迅速发展，产生了大量的人工智能生成图像（AIGIs），然而，这些 AIGIs 的质量不一致，并严重影响了用户的视觉体验。因此，基于人类感知角度评估 AIGIs 质量的 AI 生成图像质量评估（AIGIQA）引起了学者们的
PDF2 months ago
大型多模型协助 AI 生成图像质量评估
利用深度神经网络对 AI 生成的图像进行质量评估存在挑战，我们引入了一个大型多模态模型辅助 AI 生成图像质量评估（MA-AGIQA）模型，通过文本提示敏锐感知语义信息并提取语义向量，并使用专家混合结构动态整合语义信息和传统 DNN 基于
PDF2 months ago
自适应混合尺度特征融合网络用于盲目的人工智能生成图像质量评估
本文提出了一种针对 AI 生成图像的盲图像质量评估网络（AMFF-Net），从 “视觉质量”、“真实性” 和 “一致性” 三个维度评估 AI 生成图像的质量。通过多尺度输入策略和自适应特征融合 (AFF) 块，AMFF-Net 在盲图像质量
PDF2 months ago
对抗性人工智能艺术：理解、生成、检测和基准测试
该研究论文提出了一种系统性尝试，以理解和检测在对抗场景中生成的 AI 图像（AI 艺术）。该论文收集和分享了一个名为 ARIA 的数据集，其中包含来自四种热门 AI 图像生成器生成的真实图像和对应的人工对应图像。通过对 ARIA 数据集进行
PDF2 months ago
真实世界中的 AI 生成面孔：一项关于 Twitter 头像的大规模案例研究
人工智能的生成性进展使真实和机器生成的内容之间的界限变得模糊，尤其在社交媒体上使用 AI 生成的图片来伪造个人资料。我们进行了首次大规模调查，研究发现 Twitter 上的 AI 生成头像占总头像数量的 0.052％。我们对这些账户及其推文
PDF2 months ago
CVPR深度生成模型是否会放大未来模型中的偏见？
通过研究深度生成模型对未来计算机视觉模型中潜在社会偏见的影响，本文探讨了如果使用生成的图像作为训练数据，是否会导致偏见放大，从而造成有害内容的传播。然而，与预期相反的是，我们的研究结果显示，在特定任务中出现偏见缓解的情况，这可能与图像生成中
PDF3 months ago
AIGIQA-20K：AI 生成图像质量评估的大规模数据库
通过考虑 15 个流行生成模型和动态超参数，本研究组织了一项挑战，全面评估人类主观评分、感知质量和文本图像对齐等方面，以创建迄今最大的细粒度 AIGI 主观质量数据库 AIGIQA-20K，并通过基准实验评估 16 个主流 AIGI 质量模
PDF3 months ago
ASAP: 可解释性 AI 生成图像模式的大规模分析与总结
利用 ASAP 在 AI 生成的图像中自动提取与欺骗模式相关的突出特点，并通过各种视图进行交互式探索。
PDF3 months ago
AAPMT：通过提示和度量变换器进行人工通用智能评估
我们在本文中介绍了一系列有效的方法，包括提示设计和指标转换器，以开发可以更贴近人类感知评价图像质量、真实性和文本与图像一致性等参数的模型。
PDF3 months ago
将文本提示引入 AI 生成的图像质量评估
通过图像和提示的融合，IP-IQA 是一个多模态框架，旨在解决 AI 生成图像质量评估中的问题，并在 AGIQA-1k 和 AGIQA-3k 数据集上达到最先进的水平。
PDF3 months ago
跨域图像检索的多模态方法
使用多模态语言 - 视觉架构的新颖标题匹配方法能够在跨域图像检索中实现最先进的性能表现，尤其在与人工智能生成的图像一起进行测试时。
PDF3 months ago
一个具有可证明保证的鲁棒且灵活的即插即用水印框架用于 AI 生成的图像
本文介绍了一个名为 RAW 的稳健而灵活的即插即用水印检测框架，它将可学习的水印直接引入原始图像数据中，并使用与水印共同训练的分类器来检测水印的存在。此框架在各种生成架构上可兼容，并支持训练后即时进行水印注入，通过整合最先进的平滑技术，不仅
PDF5 months ago
AI 艺术是偷窃：劳动、剥夺与剥削之危险或随机波洛克的危害
通过分析、证实和批判这些论点，本文得出结论，认为 AI 图像生成器涉及一种不道德的劳动盗窃行为。如果正确，许多其他 AI 应用也依赖于盗窃。
PDF6 months ago
基于文本和图像编码器的 AIGC 图像质量评估回归模型
我们提出了一个基于文本和图像编码器的回归（TIER）框架，用于评估从人类感知角度来看的人工智能生成图像的质量，实验证明我们的方法在大多数情况下相较于基准表现出更优异的性能。
PDF6 months ago