Pixel Space Battles
PulseAugur coverage of Pixel Space Battles — every cluster mentioning Pixel Space Battles across labs, papers, and developer communities, ranked by signal.
-
新的DRIFT攻击以98-100%的成功率移除扩散模型水印
研究人员开发了一种名为DRIFT的新方法，用于移除嵌入在扩散模型生成图像中的水印。这种黑盒攻击通过部分重新加噪图像，然后使用随机反向重采样来探索替代生成路径。DRIFT通过识别水印被拒绝的第一个点并保留该拒绝信息来有效绕过水印验证，在无需访问密钥或内部验证器信息的情况下实现了高成功率和图像质量。
-
综述论文对高动态范围成像方法进行分类
这篇综述论文对多重曝光高动态范围（HDR）成像的现有文献进行了分类和分析。它侧重于两个关键领域：多重曝光融合（MEF）和鬼影去除技术。论文考察了传统的基于滤波的方法和现代的数据驱动方法，特别是深度学习技术，后者根据其对齐和融合域（像素空间 vs. 特征空间）进一步分类。它还讨论了常用的数据集、评估指标，并概述了未来的研究方向。
-
文本到图像模型通过ReChannel方法适配密集预测任务
研究人员开发了一种名为ReChannel的新方法，该方法利用大型文本到图像模型进行密集预测任务。ReChannel不生成新的RGB内容，而是将预训练模型适配为输出特定任务、像素精确的场。这种方法利用了像Diffusion Transformers (DiT)这样的模型的现有patch到token结构，将token映射到承载原生数量的输出patch。该方法在多个密集预测基准测试中取得了最先进的成果，包括无三联图抠图和KITTI深度估计，…
-
SutureFormer 使用目标条件离线强化学习学习缝合轨迹
研究人员开发了 SutureFormer，一个在像素空间中使用目标条件离线强化学习从内窥镜视频中学习手术轨迹的新框架。该方法将针尖视为一个逐步移动的代理，自然地捕捉了运动的连续性，并能够显式地建模可行的状态转换。SutureFormer 利用带有行为克隆正则化的保守 Q 学习来优化专家演示的策略，有效地将稀疏的标注转换为密集的奖励信号。在肾脏伤口缝合数据集上的实验表明，与现有方法相比，平均位移误差显著降低。