CelebA-HQ
PulseAugur coverage of CelebA-HQ — every cluster mentioning CelebA-HQ across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。