Generators
PulseAugur coverage of Generators — every cluster mentioning Generators across labs, papers, and developer communities, ranked by signal.
-
AI生成图像检测器易受对抗性攻击
研究人员发现，旨在无需训练即可识别AI生成图像的基于重建的检测器容易受到对抗性攻击。这些攻击会操纵图像以人为地增加重建误差，导致检测器将假图像错误地分类为真实图像。研究发现，这些对抗性样本可以在不同的检测器之间转移，这凸显了这种检测方法的基本弱点。
-
新基准显示AI视频检测器在危机内容上失效
一个名为RA-Bench的新基准已被开发出来，用于评估AI生成视频检测系统的有效性，特别是在现实世界危机事件的背景下。该基准包含超过17,000个视频，显示当前检测方法在各种生成条件下难以泛化，并且随着视频在社交媒体上的传播而变得不那么可靠。研究强调了开发更强大的检测器的迫切需求，以跟上不断发展的AI视频生成技术。
-
MOSAIC系统利用物理模拟和技能组合来规划机器人操纵
研究人员开发了MOSAIC，一种用于机器人领域规划长时域操纵运动的新型以技能为中心的方法。该方法利用物理模拟来估计技能执行的结果，并将规划精力集中在技能最有效的区域。MOSAIC采用两种类型的技能：生成器（Generators），用于识别能力范围；连接器（Connectors），通过解决边界值问题来连接技能轨迹。该系统已在模拟和真实世界的复杂长时域任务中取得了成功，集成了生成式扩散模型、运动规划算法和特定于操纵的模型。
-
新的IREU方法可在肖像生成中实现身份解学
研究人员推出了一种用于定制肖像生成（CPG）系统的新型身份解学方法IREU。该方法旨在通过允许根据要求从生成器的能力中删除特定身份来减轻与CPG相关的隐私风险。与先前导致全局特征空间扰动和图像保真度下降的方法不同，IREU精确地针对和修改与身份相关的特征，从而为其他身份保留了生成图像的质量。
-
Python协程详解：从零开始构建调度器
本文深入探讨了Python协程的内部工作机制，解释了它们如何在不依赖传统线程或进程的情况下实现并发。文章通过代码示例演示了如何从零开始使用生成器构建协程调度器。作者将异步操作的性能与多进程和多线程进行了对比，强调了协程在I/O密集型任务中的可扩展性优势。