- 广义深度伪造追溯
我们提出了一种广义的深度伪造归因网络 (GDA-Net),可以将伪造图像归因于相应的 GAN 架构,即使它们是从不同种子 (cross-seed) 的重新训练版本或现有 GAN 模型的微调版本生成的。与现有方法相比,对 GAN 模型的交叉种 - InstaDrag: 从视频中出现的快速准确基于拖动的图像编辑
InstaDrag 是一个快速方法,通过将拖拽编辑重新定义为条件生成任务,以及在训练时使用视频帧作为数据源,可以在大约 1 秒内实现高质量的拖拽式图像编辑。
- 通过利用未来的恶意软件预测来对抗概念漂移
通过对比恶意软件检测分类器的两种未来样本预测方法(对抗训练和生成对抗网络),研究发现对抗训练方法虽能得到更稳健的分类器,但并不是恶意软件未来样本预测的好方法;与此不同的是,生成对抗网络能够成功用作未来恶意软件的预测方法,并显著提高分类器对新 - RaFE: 生成辐射场修复
我们提出了一种名为 RaFE 的通用辐射场修复流程,适用于各种类型的退化,如低分辨率、模糊、噪声、压缩伪影等,通过利用 2D 修复方法恢复多视角图像,并使用生成对抗网络(GANs)进行 NeRF 生成来更好地适应几何和外观的不一致性,展示了 - 基于 GAN 的 CT 去噪的多尺度纹理损失
本研究提出了一种利用 GLCM 的多尺度特征和可微分 GLCM 的损失函数,并引入了自注意力层,以提高基于 GANs 的低剂量 CT 去噪算法的性能。实验结果表明,该方法相比其他损失函数表现更好,且结果在三种不同 GAN 架构下保持一致。
- 一种使用生成对抗网络(GAN)创建虚拟试衣间的成本有效方法
在 COVID19 大流行病之后,由于许多卖家要么改为在线购物,要么关闭试衣间,顾客对购物过程感到犹豫和不确定,因此,使用新的 AI 技术创建一个在线平台或虚拟试衣间 (VFR) 可以满足顾客试穿产品的需求,从而提高销售量和产品质量。
- 为保护隐私生成合成的健康传感器数据用于可穿戴压力检测
随着智能手表健康传感器数据在智能医疗应用和患者监测中的应用越来越广泛,其中包括压力检测,然而,这类医学数据往往包含敏感的个人信息且获取成本较高。为了应对这一挑战,我们介绍了隐私意识的合成多传感器智能手表健康读数和压力瞬间相关性的方法。我们的 - MITS-GAN: 保护医学影像免受生成对抗网络篡改
介绍了一种新颖的方法 MITS-GAN,用于防止医学图像篡改,特别关注 CT 扫描。该方法通过引入不可察觉但准确的扰动,干扰攻击者的 CT-GAN 结构的输出。该方法的实验证明了其在 CT 扫描数据集上具有卓越的性能,强调了其能够生成无法察 - 基于 Pix2Pix GAN 的多模态人群计数
本文提出使用生成对抗网络(GANs)从彩色(RGB)图像自动生成热红外(TIR)图像,并同时使用两者训练人群计数模型以提高精确度。在多个人群计数模型和基准人群数据集上进行的实验证明了显著的精确度提升。
- 量子生成对抗网络:架桥经典与量子领域
本研究论文探索了在生成对抗网络(GANs)领域中将经典计算和量子计算范式融合的创新性方法,通过将量子计算元素无缝集成到传统 GAN 架构中,从而在增强训练过程方面开辟了新的途径。我们从量子位(qubits)的内在特性中获取灵感,深入研究了在 - 通过观测映射和行为克隆的少样本策略转移框架
通过观察映射和行为克隆,本文提出了一个针对两个领域的少样本策略传递框架,利用生成对抗网络(GANs)和循环一致性损失将源领域和目标领域之间的观察映射,并将获取的映射用于将成功的源任务行为策略克隆到目标领域,进而实现有限目标任务交互情况下和源 - 对基于集成学习的 Windows PE 恶意软件检测器的对抗样本有效性研究
机器学习在网络安全领域,尤其是恶意软件检测和预防方面引起了越来越多的关注和兴趣。本研究提出了一种通过结合生成对抗网络(GANs)和强化学习(RL)来应对合集学习型检测器的变异系统,克服了现有模型的局限性。实验证明,该模型在保持可执行文件格式 - 大型公开数据改进差分隐私图像生成质量
使用公共数据可以改善差分隐私机器学习中的隐私准确性权衡,本研究通过使用大规模公共数据改进生成对抗网络 (GANs) 中差分隐私图像生成的质量,并提供了一种有效利用公共数据的改进方法。我们方法的假设是公共数据分布的支持包含私人数据的支持;例如 - 评估生物医学和非生物医学环境中合成图像的类内多样性和质量
该研究通过实证评估了多尺度结构相似性指数测量、余弦距离和 Frechet Inception 距离等指标,对生物医学和非生物医学影像进行了多样性和质量评估,发现生物医学与非生物医学影像之间的多样性和质量得分存在显著差异。
- 通过流映射算子学习随机动力学系统
本文提出了一种用于学习未知随机动态系统的数值框架,称为随机流映射学习(sFML),它是流映射学习(FML)的一种扩展。通过使用残差网络(ResNet)和生成对抗网络(GANs)来构建随机流映射,提出的 sFML 方法在各种类型的随机系统中展 - 面向类不平衡问题的集成学习和数据增强模型综述:组合、实现与评价
本文通过对 10 种数据增强方法和 10 种集成学习方法在不平衡数据集上的计算机评估,提出了一种通用框架,从而确定数据增强与集成学习的最佳组合,以显著提高不平衡数据集的分类性能。
- 使用无监督学习从 GAN 中提取语义知识
本文研究对基于生成对抗网络(GANs)的特征蒸馏旨在使用聚类算法对图像进行感知分割和图像翻译,实现无监督语义分割和条件图像合成。
- ECCV探索基于梯度的 GAN 多方向控制
该论文提出了一种基于梯度信息的新方法,探索生成对抗网络 (latent space) 中的非线性控制,实现了多方向控制和有效解缠,这使得 GANs 的可控生成问题得到了解决。
- ECCV使用 GAN 进行神经视频压缩,进行细节合成和传播
我们提出了一种基于生成对抗网络(GANs)的神经视频压缩方法,它在用户研究中明显优于以前的神经和非神经视频压缩方法,并为神经方法的视觉质量设定了新的最新技术。我们表明 GAN 损失对于获得这种高视觉质量是至关重要的,并通过用户研究验证了这种 - AAAIExGAN:极端样本的对抗生成
本研究提出了一种名为 ExGAN 的 GAN 方法,基于极值理论(EVT)来识别和生成真实和极端的训练样本,有效地帮助风险管理。该方法在测试中表现良好,可以用较短时间内生成所需要的多种极端事件模型。