English(EN) Fine-Grained Anomaly Perception in Wild UGC-Enhanced Images: A Comprehensive Dataset and Difference-Fusion Framework

新数据集和方法解决用户生成内容中的图像异常

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-03 04:00

研究人员引入了一个名为用户生成内容增强图像质量异常感知（UEAP）的新任务，以解决社交媒体平台上图像增强过程引入的视觉异常。他们还发布了UEAP-4k，这是一个从真实场景中精心策划的数据集，包含异常类别、定位和严重程度的细粒度标注。为了解决这个问题，提出了一种差分融合异常感知方法（DFAP-UGC），该方法使用显式的差分融合和空间查询来进行鲁棒的异常识别。还开发了一种局部感知动态任务优先级（LADTP）训练策略，以实现有效的端到端学习。 AI

影响这项研究可以通过识别和减轻图像增强工具引入的视觉异常来提高用户生成内容的可靠性。

排序理由该集群包含一篇学术论文，详细介绍了用于图像分析的新数据集和方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了用于图像分析的新数据集和方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Yan Zhong, Gefei Chen, Qiufang Ma, Zhen Wang, Zhiwei Fan, Lei Shi, Tingting Jiang · 2026-09-03 04:00

面向野外用户生成内容增强图像的细粒度异常感知：一个综合数据集和差分融合框架

arXiv:2609.02529v1 Announce Type: cross Abstract: Image enhancement and restoration have become standard back-end operations on short-video and social media platforms to boost UGC visual experience. Yet these processes inevitably introduce visual anomalies--especially in faces, t…

本文如何被排名

报道来源 [1]

面向野外用户生成内容增强图像的细粒度异常感知：一个综合数据集和差分融合框架

相关实体

相关话题