Adobe

Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI

可解释的解耦表征学习：在生成式AI时代实现通用的作者归属

Hieu Man, Van-Cuong Pham, Nghia Trung Ngo, Franck Dernoncourt, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出EAVAE框架，通过解耦风格与内容来提升作者归属和AI生成文本检测的泛化能力，实验表明在多个数据集上达到最佳性能。

Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models

信任但验证：介绍DAVinCI——一种用于语言模型声明推断中双属性和验证的框架

Vipula Rawte, Ryan Rossi, Franck Dernoncourt, Nedim Lipka

机构 * Adobe（Adobe公司） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出DAVinCI框架，通过双属性和验证机制提升语言模型输出的事实可靠性与可解释性，实验表明其在分类准确率、属性精度、召回率和F1分数上提升5-20%。

Linear Image Generation by Synthesizing Exposure Brackets

通过合成曝光快门生成线性图像

Yuekun Dai, Zhoutong Zhang, Shangchen Zhou, Nanxuan Zhao

机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Adobe NextCam ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出基于文本的线性图像生成方法，通过合成曝光快门序列生成高质量场景参考线性图像，保留完整动态范围，用于专业后期处理。

Comments accepted by CVPR2026