CelebA-HQ
PulseAugur coverage of CelebA-HQ — every cluster mentioning CelebA-HQ across labs, papers, and developer communities, ranked by signal.
-
新的水印框架 VeriFi 通过内容恢复打击深度伪造
研究人员开发了一个名为 VeriFi 的新水印框架，旨在打击深度伪造和 AIGC 驱动的面部操纵的泛滥。该框架旨在通过实现高保真面部内容恢复来保护媒体来源、完整性和版权。VeriFi 嵌入了一个语义潜在水印，充当内容保留先验，即使在大幅修改后也能实现忠实恢复。它还通过将图像特征与解码的来源信号相关联来实现精确的定位，而无需专用有效载荷，从而为复杂的深度伪造流程提供强大的防御。
-
新框架提升AI人脸生成公平性
研究人员开发了一个名为语义边界预测器（SBP）的新框架，以提高使用潜在扩散模型进行合成人脸生成时的公平性。SBP在反向扩散过程中的一个时间步长进行干预，利用早期和晚期潜在表示的不同语义作用。该方法无需重新训练基础模型，即可显著减少生成图像中的人口统计学差异（如性别和种族），同时保持图像质量。
-
新的图像翻译方法使用扩散模型动态调整掩码
研究人员开发了一种新颖的源无关图像翻译框架，该框架在反向扩散过程中动态地细化二值掩码。该方法利用时间相关的统计阈值方案，该方案源自预训练扩散模型中的预测差异，以适应不同噪声水平的掩码。该方法有效地分离了特定领域的区域，同时保持了全局结构一致性，在AFHQ和Celeba-HQ等数据集上，在真实感和保真度指标方面优于现有的无监督图像到图像方法。
-
NullEdit 通过隐蔽的无操作方法保护图像免受VLM操纵
研究人员开发了NullEdit，一种新颖的方法，用于保护图像免受视觉语言模型（VLM）的未经授权操纵。与现有会破坏图像或无法阻止编辑的防御措施不同，NullEdit旨在采用一种隐蔽的无操作方法。它重定向VLM的内部表示，确保输出保持自然，并在没有明显伪影的情况下保留原始内容和身份。在CelebA-HQ和VGGFace2数据集上使用Step1X-Edit和Qwen Image Edit进行了测试，NullEdit显著降低了EditRew…
-
DeepForgeSeal 使用潜在空间水印进行鲁棒的深度伪造检测
研究人员开发了 DeepForgeSeal，一个旨在应对日益严峻的深度伪造挑战的新型深度学习框架。该系统利用嵌入在图像潜在空间中的半脆弱水印，能够鲁棒地检测恶意篡改，同时保持对良性失真的完整性。该框架采用对抗性强化学习 (ARL) 来优化鲁棒性和脆弱性之间的平衡，在 CelebA 和 CelebA-HQ 基准测试中表现优于现有方法。
-
新AI框架通过高级控制解决非配对图像翻译问题
研究人员开发了两个新的非配对图像到图像翻译框架，该任务涉及在不依赖配对示例的情况下改变图像的外观同时保留其内容。PRISM 使用分布门控流匹配方法来控制哪些特征被改变以及哪些被保留，在各种基准测试中取得了优异的结果。另一方面，UniCycleFlow 将双向翻译构建为单个时间条件速度场，从而实现双向连贯的转换，并在平均 FID 分数上优于现有方法。
-
新防御方法SRAP通过SVD精炼提升换脸保护能力
研究人员开发了SRAP，一种防御换脸深度伪造的新颖方法。SRAP使用奇异值分解（SVD）和身份重要性掩码来精炼对抗性扰动。该方法旨在通过抑制高频噪声并将扰动集中在对身份敏感的区域，来减少与对抗性防御相关的典型视觉降级。实验表明，与现有方法相比，SRAP在保护面部图像和保持其视觉质量之间提供了更好的平衡。
-
新的DiffAttack方法使用扩散模型欺骗人脸识别系统
研究人员开发了一种名为DiffAttack的新方法，该方法利用潜在扩散模型为人脸识别系统创建对抗性样本。这种方法在扩散模型的潜在空间内进行优化，生成能够欺骗人脸识别模型的人脸，在FFHQ和CelebA-HQ等基准测试中取得了84.86%的攻击成功率。与现有方法相比，DiffAttack表现出更优越的可迁移性，其性能比传统的基于噪声的技术高出15%以上，比基于语义的方法高出约5%。
-
新的数据增强方法改进了小型AI模型的知识蒸馏
研究人员开发了一种新颖的知识蒸馏数据增强策略，旨在提高小型学生网络在有限数据上训练时的性能。该方法使用基于扩散的方法生成具有挑战性的样本，突出教师模型和学生模型之间的分歧，从而减轻协变量偏移。在CelebA-HQ和Spurious ImageNet等数据集上的实验表明，与现有方法相比，该技术提高了准确性并减少了对虚假特征的依赖。
-
Diff-ID 框架通过身份一致性增强面部图像生成
研究人员开发了 Diff-ID，一个使用扩散模型生成具有一致身份保留的高分辨率面部图像的新框架。该系统将 ArcFace 和 CLIP 嵌入集成到一个经过微调的 Stable Diffusion UNet 中，并利用从 CelebA-HQ、FFHQ 和 LAION-Face 合成的数据集。虽然 Diff-ID 在身份相似性方面与 InstantID 相当，但根据 FID 和 FIQ 分数衡量，它提供了更高的真实感和更好的身份-真实感权…
-
DiffUE方法注入语义噪声以保护图像免受AI模型侵害
研究人员推出了一种新颖的方法DiffUE，用于创建“不可学示例”（UEs）以保护个人数据免受AI模型侵害。与先前向像素值添加噪声的技术不同，DiffUE将噪声注入到图像的语义空间中。这种方法旨在显著增加AI模型提取有意义信息的难度，同时保持图像的视觉质量和效用。在CIFAR-10、CIFAR-100、CelebA-HQ和ImageNet等数据集上的实验表明，DiffUE针对高级再学习策略提供了更强大的解决方案。
-
新的自监督学习方法增强了对称数据的表示
研究人员推出了一种名为 Mirror-Fusion-Augmented Self-Supervised Learning (MFASSL) 的框架，旨在改进表示学习，尤其适用于具有双边对称性的数据。与强制执行严格翻转不变性的标准方法不同，MFASSL 通过创建镜像配对视图并使用 Mirror-Fusion Attention 模块来引入软反射先验。这种方法允许镜像区域之间进行自适应交互，同时保留非对称信息。在 CheXpert 和 C…
-
新的扩散模型增强了美妆迁移和面部隐私保护
研究人员开发了MakeupMirror，一种基于扩散模型的美妆迁移方法，与Stable-Makeup等现有方法相比，显著提高了面部属性和肤色保留能力。该系统集成了面部几何条件约束、区域特定控制和肤色调制，以保持身份保真度。此外，Flux-Guard提供了一个隐私保护的面部编辑框架，通过在生成过程中采用对抗性攻击，将编辑与面部识别系统的防护相结合。这两种系统都利用扩散模型进行高级图像处理和隐私保护。
-
新分类法区分图像到图像AI模型训练范式
一篇新的研究论文介绍了一种基于其训练范式对图像到图像生成模型进行分类的方法。通过分析包括GPT-image-1、Gemini 2.5 Flash Image和SDXL img2img在内的六种商业API的行为指纹，该研究发现，使用基于编辑的方法训练的模型与在采样时（文本到图像基础模型）进行适应的模型在聚类上有所区别。这种分类是通过使用内容自适应对抗性扰动管道，并使用冻结的DINOv2 ViT-B/14令牌距离对输出与干净参考进行评分来实现的。
-
新型扩散模型优化图像压缩的权衡
研究人员开发了一种名为双约束扩散图像压缩（DCIC）的新型图像压缩技术。该方法集成了学习型编解码器和基于扩散的解码器，利用失真和幂等性约束来联合优化保真度和感知真实感。DCIC 允许从单个比特流连续调整这两个方面的权衡，与现有方法相比，在保真度和感知质量方面均表现出更优越的性能。
-
新的扩散模型通过改进的控制力和真实感增强面部属性编辑
研究人员开发了两种新颖的框架 LatRef-Diff 和 AttDiff-GAN，以改进图像中的面部属性编辑和风格处理。这两种方法都解决了现有 GAN 和扩散模型在精确控制和风格一致性方面存在的局限性。LatRef-Diff 利用具有风格码的潜变量和参考引导，而 AttDiff-GAN 将基于 GAN 的编辑与扩散生成相结合，旨在实现更精确的属性修改并更好地保留非目标特征。