Gans
PulseAugur coverage of Gans — every cluster mentioning Gans across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
最新研究推动人工智能和自动驾驶的3D场景生成
两篇最新的arXiv论文探讨了3D场景生成领域的进展，该领域对于自动驾驶和虚拟现实等应用至关重要。第一篇论文是一篇综述，将当前方法分为程序化生成、基于神经3D的生成、基于图像的生成和基于视频的生成，并强调了挑战和未来方向。第二篇论文介绍了OMEGA，一个使用优化引导扩散来增强场景生成的可控性和真实感的框架，特别是在创建安全关键型驾驶场景方面。
-
新的GAN自适应训练方法使用序贯假设检验
研究人员为生成对抗网络（GAN）开发了一种新颖的自适应训练程序，解决了在更新判别器和生成器之间切换时机的决策挑战。该新方法将切换问题表述为序贯假设检验，利用电子过程提供任何时候都有效的I类错误控制。在合成分布和图像数据集上的实验表明，这种自适应方法在各种GAN目标上与固定比例基线方法相匹配或超越。
-
新方法使用 GAN 生成的脑电图数据对认知能量进行建模
研究人员开发了一种使用脑电图 (EEG) 数据和带梯度惩罚的 Wasserstein GAN (WGAN-GP) 对认知能量消耗进行建模的新颖方法。该方法利用薛定谔桥问题 (SBP) 来量化大脑状态之间转换的能量成本。研究表明，WGAN-GP 生成的合成脑电图数据保留了这种基于能量的建模所需的动力学结构，与 Stroop 任务的真实脑电图数据高度一致。然后，这种认知能量指标可以用作神经自适应人机系统的控制信号，从而能够根据用户的认知和…
-
新的攻击通过标签翻转和过采样来针对联邦GAN
研究人员详细介绍了针对生成对抗网络（GAN）的联邦学习设置的新型对抗攻击。这些攻击涉及恶意客户端在本地训练期间通过翻转标签或对有毒样本进行过采样来操纵数据。目的是扭曲全局生成器的输出，使其将目标标签映射到错误的类别。该研究使用Kullback-Leibler散度量化了影响，表明虽然语义损害随中毒强度线性增加，但与真实分布的偏差呈二次方增长，这使得检测变得困难。
-
新的基准数据集针对卫星图像深度伪造
研究人员开发了一个新的基准数据集，以解决验证卫星图像真实性的关键需求，而卫星图像正日益受到先进生成式AI和深度伪造的威胁。该数据集包含60张图像，其中30张使用复制粘贴拼接和扩散模型修复等技术进行了篡改。其目的是支持用于检测和定位此类篡改的算法的训练和评估。每张图像都包含地面实况掩码和元数据，以促进像素级分析以及关于图像采集参数如何影响检测性能的研究。
-
PatchDenoiser 为低剂量CT扫描提供参数高效去噪
研究人员开发了PatchDenoiser，一种新颖的、参数高效的低剂量CT图像去噪框架。该方法利用多尺度块学习和融合策略，在有效抑制噪声的同时保留精细的解剖细节，性能优于传统滤波和现有深度学习技术。PatchDenoiser的参数量显著减少，计算复杂度更低，使其成为医学图像去噪的实用且可扩展的解决方案。
-
新的 Python 包 `ganfs` 使用 GAN 进行自动化特征选择
一个名为 `ganfs` 的新开源 Python 包已被开发出来，它使用生成对抗网络（GANs）来自动化高维数据集的特征选择。该工具通过利用 GANs 学习数据分布，然后分析判别器对特征扰动的响应来对特征信息量进行排序，从而解决了传统方法的局限性。该包设计为与领域无关，可以通过 pip 安装，其 API 类似于 scikit-learn 的 transformers。
-
调查论文详述文本驱动的图像编辑进展
本调查论文全面回顾了基于指令的图像编辑（IIE）领域，该领域利用文本提示来修改图像。它将IIE研究按数据构建、模型架构（从GANs到扩散和自回归模型）以及评估方法进行了分类。该论文还引入了一个新的基准CDD-IIE Bench，以严格评估模型性能，并讨论了未来的研究方向。
-
小型语言模型被部署为LLM应用的专业化护栏
研究人员开发了一种新颖的方法，使用小型语言模型（SLM）作为大型语言模型（LLM）应用的专业化护栏。这种方法解决了创建特定于应用程序的安全措施的挑战，例如防止幻觉或主题漂移，这些措施比标准的内容过滤器更复杂。通过采用受生成对抗网络启发的合成数据生成技术，可以训练SLM来编码这些特定的护栏要求，在实验评估中表现优于传统的基于提示的LLM护栏。
-
ROMS-IMLE：极简生成模型挑战多步必要性
研究人员推出了一种新颖的生成模型 ROMS-IMLE，它挑战了普遍认为高质量样本生成需要渐进式、多步变换的观念。ROMS-IMLE 采用极简主义方法，以隐式最大似然估计 (IMLE) 作为其训练目标，并使用卷积神经网络作为模型架构，摒弃了变分推断、对抗性训练和 Transformer 等复杂方法。这种单步模型展示了具有竞争力的性能，在 ImageNet 256 上达到了 2.56 的 FID 分数，同时具有快速的采样速度以及良好的精度和召回率。
-
新的三体散射建模框架用于单步生成式AI
研究人员引入了三体散射建模（TBSM），一种用于单步生成式建模的新颖框架。与现有的GAN或扩散模型等方法不同，TBSM学习一个传输场来引导生成的样本趋向真实数据。这种方法能够稳定地训练单步和少步生成模型，在ImageNet-256等图像生成基准测试中取得了具有竞争力的结果，并且函数评估次数很少。
-
生成式AI框架增强多模态神经影像分析
研究人员开发了一种新颖的多模态生成框架，用于分析结构和功能磁共振成像（MRI）数据。该框架系统地评估了各种编码策略、潜在多模态融合技术和生成模型选择。与其他的生成式变体相比，所提出的多模态图VAE（gMMVAE）架构在生成保真度、重建质量、效率和潜在空间可辨别性等指标上表现出优越性能。
-
人工智能艺术市场在真实性争论和博物馆展览中兴起
尽管围绕其真实性和艺术价值的争论仍在继续，但人工智能生成的艺术品正在形成一个新兴市场。一位艺术家利用一幅真实的克劳德·莫奈画作进行的噱头，凸显了公众对人工智能创作的快速否定。与此同时，世界上第一个生成式人工智能博物馆 Dataland 在洛杉矶展出了沉浸式人工智能艺术装置，这些装置能够响应访客数据和环境信息，其中一些作品的售价高达数千美元。
-
新工具Memisis简化了健康数据集的合成数据生成
研究人员开发了Memisis，一种旨在简化表格健康合成数据集的创建和评估的新型工具。该系统集成了各种合成库、大型语言模型和先进的评估指标，以确保隐私、效用和公平性。Memisis提供手动配置和交互式代理模式，允许用户用自然语言指定数据生成目标。该工具使用精神分裂症数据集进行了演示，评估了包括GAN、VAE、扩散模型和归一化流在内的六种不同的合成器。
-
新的 Seed-to-Seed 方法结合了 GAN 和扩散模型进行图像翻译
研究人员开发了一种名为 Seed-to-Seed Translation (StS) 的新方法，该方法结合了生成对抗网络 (GAN) 和扩散模型来进行无配对的图像到图像翻译。该方法利用预训练扩散模型“种子空间”中的语义信息来执行复杂的翻译，特别是在汽车场景中，同时保持结构完整性。StS 方法使用以 CycleGAN 原理训练的 sts-GAN，并采用 ControlNet 进行结构保留，在性能上优于现有技术。
-
新的 $\mu$Flow 检测器利用平均图像识别深度伪造
研究人员开发了一种名为 $\mu$Flow 的新型深度伪造检测方法，该方法仅使用真实图像进行训练。该方法利用了这样一个观察结果：对多张图像进行平均处理可以揭示一致的生成痕迹，从而创建高度区分性的特征。通过对这些平均图像特征的分布进行建模，并将单个图像特征与该分布对齐，$\mu$Flow 建立了一个基于似然的标准来区分真实内容和虚假内容。该方法表现出强大的泛化能力，在分布外评估中显著优于最先进的检测器。
-
新的SGFF-Net框架改进了跨模型深度伪造检测
研究人员开发了SGFF-Net，一个用于检测由各种模型生成的深度伪造的新型框架，包括对现有方法构成挑战的扩散模型。该网络集成了空间、梯度和频率表示，以提高跨不同生成范式的检测准确性和鲁棒性。实验表明，SGFF-Net在数据集内评估中实现了高精度，并在跨模型和跨范式场景中显著提高了性能，尤其是在结合数据增强技术时。
-
新论文统一生成流并使用Koopman算子
两篇新研究论文探讨了生成模型中的高级技术。第一篇论文将生成式Wasserstein流（GWF）引入为一个统一的框架，适用于各种生成模型，并扩展到新算法，阐明了与GAN的联系。第二篇论文提出使用Koopman算子来线性化连续归一化流，从而实现更快的采样和对生成过程的新分析见解。
-
新框架将博弈映射到几何空间以高效计算均衡
研究人员引入了一个新的框架，用于理解算法如何计算博弈中的均衡，超越了传统的逐个求解器和博弈类别分析。这种新方法将博弈映射到一个连续的、与求解器对齐的几何空间，揭示了控制可解性的潜在结构特性。该系统利用一个学习到的结构识别器将博弈映射到低维表示，然后通过选择有效的原始机制来指导策略以适应求解器行为。这种方法可以识别特定求解器动态最有效的区域，并强调需要混合使用原始机制而不是单一主导求解器，从而提供一种自适应求解器和博弈论的分析工具。
-
新方法修剪表格扩散模型以减少记忆
研究人员开发了一种以数据为中心的方法来研究表格扩散模型中的记忆现象，发现一小部分训练样本不成比例地导致隐私风险。他们发现这些高度记忆化的样本在训练过程中更早被识别出来。为了缓解这种情况，他们提出了DynamicCut，一种在重新训练之前修剪这些高强度样本的方法，该方法在不显著影响数据多样性或下游任务性能的情况下有效减少了记忆。