Scalable Framework for Classifying AI-Generated Content Across Modalities
La Rochelle University(拉罗谢尔大学)
针对区分人类与AI生成内容及分类不同生成模型输出的需求,提出集成感知哈希、相似度测量和伪标签的可扩展框架,无需重训练即可整合新模型,在Defactify4数据集上实现文本和图像分类高准确率,具实际应用潜力。
2025-02-08 cs.CV
EGANS: Evolutionary Generative Adversarial Network Search for Zero-Shot Learning
Huazhong University of Science and Technology(华中科技大学);Nantong University(南通大学)
针对现有基于GAN的生成式零样本学习方法依赖手工模型、适配性差且不稳定的问题,提出EGANS框架,通过协同双进化机制自动搜索生成器与判别器架构,在多个标准数据集上显著提升了基线方法性能。
2023-08-19 cs.CV cs.LG
Style and Content Disentanglement in Generative Adversarial Networks
West Virginia University(西弗吉尼亚大学)
解开数据中的变化因素已经成为图像生成任务的一个非常具有挑战性的问题。当前用于训练生成对抗网络(GAN)的框架学习以无监督的方式解开数据的表示,并捕获数据变化的最重要因素。然而,这些方法忽略了图像生成中的内容和风格分离原则,这意味着它们学习的潜在代码可能同时改变生成的图像的内容和风格。本文介绍了风格和内容分离GAN(SC-GAN),这是一种新的无监督算法,用于训练GANs,学习数据的分离风格和内容表示。我们假设图像的表示可以分解为表示数据的几何信息的内容代码和捕获纹理属性的样式代码。因此,通过固定潜表征的风格部分,我们可以生成特定风格的不同图像。因此,我们可以设置内容代码,并生成各种风格的特定场景。建议的SC-GAN有两个组件:一个内容代码,这是输入到生成器,和一个样式代码,通过修改自适应实例规范化(AdaIN)层的参数修改场景样式。我们在一组基线数据集上评估了所提出的SC-GAN框架。
2018-11-14 cs.CV
Generative adversarial network-based image super-resolution using perceptual content losses
Yonsei University(延世大学)
在本文中,我们提出了一种用于超分辨率的深度生成对抗网络,该网络考虑了感知和失真之间的权衡。基于最近开发的用于超分辨率的模型的良好性能,即,使用增强型放大模块(EUSR)的深度残差网络,训练所提出的模型以仅略微增加失真来改善感知性能。为此目的,与传统的内容损失一起,即,为了减少诸如L1或L2的重构损失,我们考虑训练阶段中的附加损失,其是离散余弦变换系数损失和差分内容损失。这些考虑内容损失中的感知部分,即,考虑适当的高频分量有助于解决超分辨率中的折衷问题。实验结果表明,该模型在感知和失真方面都具有良好的性能,在感知超分辨率应用中是有效的。
2018-09-21 cs.CV
Generative AI Model for Artistic Style Transfer Using Convolutional Neural Networks
本文提出一种基于卷积神经网络的生成式AI艺术风格迁移方法,通过分离并操控深度图像表示中的内容与风格,结合损失计算与优化,实现高质量、和谐且通用的风格迁移合成。
2023-10-30 cs.CV cs.HC
Kernel Mean Matching for Content Addressability of GANs
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Georgia Institute of Technology(佐治亚理工学院)
我们提出了一种新的程序,它增加了“内容寻址”到任何给定的无条件隐式模型,例如,生成对抗网络(GAN)。该程序允许用户通过指定一组(任意大小)所需的示例来控制生成过程,基于这些示例,从模型中生成类似的样本。所提出的方法,基于核均值匹配,适用于任何生成模型,将潜在向量转换为样本,并且不需要重新训练的模型。对各种高维图像生成问题(CelebA-HQ、LSUN卧室、桥、塔)的实验表明,该方法能够生成与输入集一致的图像,同时保持原始模型的图像质量。据我们所知,这是第一个尝试在测试时从训练的边缘模型构建内容可寻址生成模型的工作。
2019-05-14 cs.CV cs.LG stat.ML
Bayesian generative models can flag performance loss, bias, and out-of-distribution image content
Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano, Universitat Politècnica de València(瓦伦西亚理工大学人类中心技术研究大学学院);Technical University of Denmark(丹麦技术大学)
针对生成模型应用于分布外医学图像时易出现偏差且不确定性量化方法有限的问题,提出结合拉普拉斯近似与随机迹估计器的VAE新型UQ方法SLUG,可有效标记性能损失、种族偏差及分布外图像内容。
2025-03-21 cs.CV cs.LG stat.ML
Human-like Content Analysis for Generative AI with Language-Grounded Sparse Encoders
National University of Singapore(新加坡国立大学);Tsinghua University(清华大学);Stanford University(斯坦福大学);Harvard University(哈佛大学)
本文提出LanSE工具,通过自然语言描述将图像分解为可解释的视觉模式,实现了对生成AI内容的细粒度分析,提升了物理合理性评估并扩展至医学影像领域。
2026-04-22 cs.CV
CADC: Content Adaptive Diffusion-Based Generative Image Compression
City University of Hong Kong(香港城市大学);University of Science and Technology of China(中国科学技术大学);Central Media Technology Institute, Huawei(华为中央媒体技术研究院)
本文提出CADC,通过三种创新方法解决现有图像压缩在内容自适应中的不足,实现动态对齐图像语义与结构特征。
2026-03-25 cs.CV
Not Only Generative Art: Stable Diffusion for Content-Style Disentanglement in Art Analysis
Osaka University(大阪大学)
本文提出GOYA方法,利用Stable Diffusion等生成模型中的艺术知识实现内容与风格解耦,并证明合成图像可代理真实艺术作品分布,且保留更多信息。
2023-04-20 cs.CV
Rethinking Multimodal Fake News Detection in the Generative AI Era
Nanjing University of Science and Technology(南京理工大学);University of Chinese Academy of Sciences(中国科学院大学)
针对生成式内容使假新闻更复杂的问题,本文构建多模态数据集Weibo26,并提出生成性感知层次推理框架GAHR,融合全局判断与局部修正,在多个基准上实现高效的真实性检测与生成内容识别。
2026-09-30 cs.CL cs.CV cs.MM
CPGAN: Full-Spectrum Content-Parsing Generative Adversarial Networks for Text-to-Image Synthesis
Beihang University(北京航空航天大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室)
文本到图像合成的典型方法寻求设计有效的生成架构来直接建模文本到图像的映射。由于跨模态翻译的存在,翻译难度相当大。在本文中,我们绕过这个问题,专注于分析的输入文本和合成图像的内容彻底建模的文本到图像的一致性在语义层面。特别是,我们设计了一个内存结构来解析文本内容,通过探索语义对应词汇表中的每个单词之间的各种视觉上下文相关的图像在文本编码。同时,合成的图像进行解析,学习其语义的对象感知的方式。此外,我们自定义了一个条件映射模型来模拟文字和图像子区域之间的细粒度相关性,以推动文本-图像语义对齐。在COCO数据集上的大量实验表明,我们的模型显着提高了最先进的性能(从35.69到52.73的初始得分)。
2020-07-12 cs.CV
Domain-Specific Mappings for Generative Adversarial Style Transfer
National Taiwan University(国立台湾大学)
样式转换生成的图像的内容来自一个图像,而样式来自另一个图像。图像到图像的翻译方法与解纠缠表示已被证明是有效的两个图像类别之间的风格转移。然而,以前的方法往往假设一个共享的域不变的内容空间,这可能会损害内容表示能力。为了解决这个问题,本文利用域特定的映射重新映射潜在的功能在共享内容空间域特定的内容空间。通过这种方式,可以更正确地编码图像以进行样式传输。实验表明,该方法优于以前的风格转移方法,特别是在具有挑战性的情况下,将需要图像之间的语义对应关系。代码和结果可在https://acht7111020.github.io/DSMAP-demo/上获得。
2020-08-05 cs.CV
Video Content Swapping Using GAN
Carnegie Mellon University(卡内基梅隆大学)
视频生成是计算机视觉中一个有趣的问题。深度生成模型在数据增强、动画特效、AR/VR等领域有着广泛的应用,随着深度学习技术的发展,人们提出了许多深度生成模型来解决这一问题。这些深度生成模型可以在线利用所有未标记的图像和视频,因为它可以以无监督的方式学习深度特征表示。这些模型还可以生成不同类型的图像,具有很大的视觉应用价值。然而,生成视频将更具挑战性,因为我们不仅需要建模视频中对象的外观,还需要建模它们的时间运动。在这项工作中,我们将把视频中的任何帧分解为内容和姿势。我们首先使用预先训练的人体姿势检测从视频中提取姿势信息,并使用生成模型基于内容代码和姿势代码合成视频。
2021-11-21 cs.CV cs.LG
A Survey on Responsible Generative AI: What to Generate and What Not
University of Oxford(牛津大学)
本文综述了负责任生成式人工智能的五个关键要求,涵盖文本与视觉模型,并探讨其在多个领域的应用与挑战。
2024-09-03 cs.AI cs.CL cs.CV
DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation
Peking University(北京大学);Nanyang Technological University(南洋理工大学);Baidu Inc.(百度公司)
DreamGaussian提出生成式3D高斯泼溅框架,结合网格提取与纹理细化,将单视图图像到高质量带纹理网格的生成时间缩短至2分钟,实现约10倍加速。
2024-03-29 cs.CV
Self-Attending Task Generative Adversarial Network for Realistic Satellite Image Creation
KBR(KBR公司);Air Force Research Laboratory(空军研究实验室)
我们介绍了一个自我参加的任务生成对抗网络(SATGAN),并将其应用于增强合成高对比度的居民空间物体的科学图像与现实的噪声模式和传感器的特点,从收集的数据。由于必须保留的数据中的语义内容的高度本地化性质,增强这些合成数据具有挑战性。真实收集的图像用于训练网络,给定类别的传感器图像应该是什么样子。然后,经过训练的网络充当无噪声上下文图像的过滤器,并输出语义内容未改变的逼真假图像。该架构受到条件GANs的启发,但经过修改,包括一个通过增强来保留语义信息的任务网络。此外,该架构示出,以减少幻觉对象或混淆的语义内容的上下文图像表示空间观察场景的实例。
2021-11-18 cs.CV cs.LG
AlphaGAN: Fully Differentiable Architecture Search for Generative Adversarial Networks
Zhejiang University(浙江大学);JD Explore Academy(京东探索研究院);Tencent AI Lab(腾讯人工智能实验室);Tencent Data Platform(腾讯数据平台部);Microsoft(微软)
生成对抗网络(GANs)被公式化为极大极小博弈问题,其中生成器试图通过对抗鉴别器的对抗学习来接近真实数据分布。问题固有的复杂性对提高生成网络的性能提出了挑战。在这项工作中,我们的目标是从网络架构的角度来促进模型学习,将自动架构搜索的最新进展纳入GANs。为此,我们为生成对抗网络提出了一个完全可区分的搜索框架,称为alphaGAN。搜索过程被形式化为求解一个双层minimax优化问题,其中外层目标是在发电机和内部网络参数的条件下寻求一个合适的网络结构,以达到纯纳什均衡,而内部网络参数是在传统的GAN损失下优化的。整个优化过程采用一阶优化方法,以完全可微的方式交替最小化两级目标,使体系结构搜索能够在巨大的搜索空间内完成。CIFAR-10和STL-10数据集上的大量实验表明,我们的算法可以获得高性能的架构,只有3-GPU小时,在一个单一的GPU在搜索空间组成的约2?1011种可能的配置。我们还提供了一个全面的分析搜索过程的行为和搜索架构的属性,这将有利于进一步研究生成模型的架构。预训练的模型和代码可在https://github.com/yuesongtian/AlphaGAN上获得。
2021-08-07 cs.CV cs.LG eess.IV
Generative Adversarial Neural Architecture Search
Huawei Technologies Canada Co., Ltd.(华为技术加拿大有限公司);University of Alberta(阿尔伯塔大学);Huawei Kirin Solution(华为麒麟解决方案部)
尽管神经架构搜索(NAS)在深度学习应用中取得了经验上的成功,但NAS方案的最优性、可重复性和成本仍然难以评估。在本文中,我们提出了具有理论上可证明的收敛保证的生成对抗NAS(GA-NAS),提高了神经结构搜索的稳定性和可重复性。受重要性采样的启发,GA-NAS迭代地将生成器适配到先前发现的顶级架构,从而越来越多地关注大型搜索空间的重要部分。此外,我们提出了一种有效的对抗性学习方法,其中生成器是通过强化学习训练的,该学习是基于一个学习器提供的奖励,从而能够探索搜索空间,而无需评估大量的架构。大量的实验表明,GA-NAS击败最好的公布结果在几种情况下,在三个公共NAS基准。同时,GA-NAS可以处理ad-hoc搜索约束和搜索空间。我们表明,GA-NAS可用于改善其他NAS方法(包括EfficientNet和ProxylessNAS)在原始搜索空间中ImageNet准确性或参数数量方面发现的已经优化的基线。
2021-06-23 cs.CV cs.LG
MetaSR: Content-Adaptive Metadata Orchestration for Generative Super-Resolution
Department of Electrical and Computer Engineering, Northwestern University(电气与计算机工程系,西北大学);TCL
MetaSR通过自适应元数据编排提升生成超分辨率性能,在资源受限下实现更高PSNR和更低传输速率。
2026-04-29 cs.AI cs.CV
Searching towards Class-Aware Generators for Conditional Generative Adversarial Networks
Shanghai Jiao Tong University(上海交通大学);Huawei Inc.(华为公司)
条件生成对抗网络(cGAN)被设计为基于所提供的条件\eg、类级分布来生成图像。然而,现有的方法对所有类使用相同的生成架构。本文提出了一种新的思想,采用NAS为每个类找到一个不同的体系结构。搜索空间包含规则卷积和类调制卷积,其中后者被设计为引入类特定信息,同时避免减少每个类生成器的训练数据。搜索算法遵循混合架构优化的权重共享流水线,使得搜索成本不会随着类的数量而增长。为了学习采样策略,将马尔可夫决策过程嵌入到搜索算法中,并应用移动平均以获得更好的稳定性。我们在CIFAR10和CIFAR100上评估我们的方法。除了在FID分数方面实现更好的图像生成质量外,我们还发现了一些有助于设计cGAN模型的见解。代码可在https://github.com/PeterouZh/NAS_cGAN上获得。
2021-04-06 cs.CV cs.LG
Latent Space Probing for Adult Content Detection in Video Generative Models
Wrynx Inc.(Wrynx公司);Independent Researcher(独立研究者)
本文提出一种潜在空间探测框架,通过拦截视频扩散模型生成过程中的去噪潜在表示,利用轻量级分类器实现实时成人内容检测,实验表明潜在空间信号在有害内容检测中具有强判别能力。
2026-04-25 cs.AI cs.CV cs.LG
DeepfakeArt Challenge: A Benchmark Dataset for Generative AI Art Forgery and Data Poisoning Detection
University of Waterloo(滑铁卢大学);Waterloo Artificial Intelligence Institute(滑铁卢人工智能研究所);DarwinAI Corp.(达尔文人工智能公司)
针对生成式AI的恶意使用,本文提出DeepfakeArt Challenge基准数据集,含超32,000条记录,用于构建图像伪造与数据投毒检测的机器学习算法。
2024-05-23 cs.CR cs.CV cs.LG
Unsupervised Compositional Concepts Discovery with Text-to-Image Generative Models
UIUC(伊利诺伊大学厄巴纳-香槟分校);MIT(麻省理工学院)
提出一种无监督方法从图像集合中发现生成概念,能解耦风格、物体与光照并重组生成新图像,同时可用于下游分类任务。
2023-08-03 cs.AI cs.CV cs.LG
Position: Next-Generation Game Engines Should Be Built on Interactive Generative Video
HKU(香港大学);HKUST(香港理工大学);Kuaishou Technology(快手科技)
提出将交互式生成视频(IGV)作为生成式游戏引擎(GGE)的基础,利用其高质量内容合成与物理感知等优势,并构建核心模块框架与L0-L4成熟度路线图,旨在重塑AI时代的游戏创作与体验。
2026-11-02 cs.CV
MetaScript: Few-Shot Handwritten Chinese Content Generation via Generative Adversarial Networks
SJTU(上海交通大学)
提出MetaScript系统,利用少样本学习和生成对抗网络,从少量风格参考生成保留个人手写风格的中文内容,在识别准确率等指标上表现优异。
2023-12-25 cs.AI cs.CV
Training-free Content Injection using h-space in Diffusion Models
Yonsei University(延世大学)
本文提出一种基于扩散模型 U-Net 瓶颈特征 h-space 的免训练图像内容注入方法,通过逐步混合瓶颈特征并校准跳跃连接实现,无需优化或外部网络监督。
2024-01-04 cs.CV
Semantic Image Inpainting with Deep Generative Models
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
语义图像修补是一个具有挑战性的任务,其中大的缺失区域必须根据可用的视觉数据进行填充。现有的方法,提取信息,从一个单一的图像通常产生不满意的结果,由于缺乏高层次的背景。在本文中,我们提出了一种新的方法,语义图像修补,产生的缺失内容的条件下可用的数据。给定一个经过训练的生成模型,我们使用我们的上下文和先验损失在潜像流形中搜索损坏图像的最接近编码。然后,该编码通过生成模型来推断缺失的内容。在我们的方法中,无论缺失的内容是如何结构化的,都可以进行推理,而最先进的基于学习的方法需要有关训练阶段漏洞的特定信息。在三个数据集上的实验表明,我们的方法成功地预测了大的缺失区域中的信息,并实现了像素级的照片真实感,显着优于最先进的方法。
2017-07-13 cs.CV
Phidias: A Generative Model for Creating 3D Content from Text, Image, and 3D Conditions with Reference-Augmented Diffusion
City University of Hong Kong(香港城市大学);Shanghai AI Lab(上海人工智能实验室);CUHK(香港中文大学);S-Lab, NTU(新加坡南洋理工大学S-Lab)
针对3D建模参考创作的需求,研究提出Phidias参考增强扩散生成模型,通过三大核心组件提升生成质量与可控性,构建了支持多条件输入的统一3D生成框架。
2024-09-17 cs.CV
STORM: Search-Guided Generative World Models for Robotic Manipulation
Sun Yat-sen University(中山大学)
STORM通过结合生成模型与搜索算法,实现了机器人操作中的时空推理,显著提升了任务成功率和环境适应能力。
2025-12-20 cs.CV cs.RO
Inpaint4DNeRF: Promptable Spatio-Temporal NeRF Inpainting with Generative Diffusion Models
HKUST(香港科技大学);Dartmouth College(达特茅斯学院)
本文提出Inpaint4DNeRF框架,利用稳定扩散模型生成种子图像及3D几何代理,解决静态与动态NeRF场景中的时空修复与多视角一致性问题。
2023-12-30 cs.CV
Generative Visual Compression: A Review
City University of Hong Kong(香港城市大学);Alibaba Group(阿里巴巴集团)
本文综述了生成式视觉压缩的最新进展,涵盖深度生成模型在紧凑表示与高保真重建中的应用,并探讨了其在超低比特率通信、智能分析中的潜力与未来挑战。
2024-02-03 cs.CV eess.IV
DeDrift: Robust Similarity Search under Content Drift
Yandex Research(Yandex研究院);Meta AI
针对大规模相似性搜索中查询与数据库分布随时间漂移导致精度下降的问题,本文提出DeDrift方法,通过在线更新嵌入量化器持续适配索引结构,在几乎消除精度退化的同时实现比全量重建快100倍。
2023-08-05 cs.CV
Generative Image Coding with Diffusion Prior
China Telecom Cloud Computing Research Institute(中国电信云计算研究院)
针对自然与AI生成混合图像在低码率下的高效编码难题,提出利用扩散先验的生成式编码框架,通过轻量级适配器融合压缩域表示与预训练特征,并引入分布重归一化提升保真度,较H.266/VVC压缩性能提升达79%。
2025-09-17 cs.CV
Spread them Apart: Towards Robust Watermarking of Generated Content
AXXX;VeinCV;Applied AI Institute(应用人工智能研究所);MTUCI(莫斯科国立大学);Institute of Numerical Mathematics(数值数学研究所)
本文提出一种在生成内容推理过程中嵌入鲁棒水印的方法,以实现生成内容的检测与溯源,适用于扩散模型并具有抗攻击能力。
2026-02-27 cs.AI cs.CV
UniAIDet: A Unified and Universal Benchmark for AI-Generated Image Content Detection and Localization
Wangxuan Institute of Computer Technology(计算机技术研究所)
针对现有AI生成图像检测基准覆盖不足的问题,提出统一基准UniAIDet,涵盖多种生成模型和图像类型,评估检测方法并探讨泛化能力与检测定位关系。
2025-10-27 cs.CL cs.CV
Coarse-to-Fine Searching for Efficient Generative Adversarial Networks
Tsinghua University(清华大学);Noah’s Ark Lab, Huawei Technologies(华为技术有限公司诺亚方舟实验室)
本文研究了开发高效生成器网络的神经结构搜索(NAS)问题。与用于视觉识别任务的深度模型相比,生成对抗网络(GAN)通常被设计用于进行各种复杂图像生成。我们首先发现一个完整的生成器网络的搜索空间,包括三个维度,即,充分挖掘网络性能的路径、运营商、渠道。为了降低搜索成本,我们探索了一种由粗到精的搜索策略,将整个搜索过程分为三个子优化问题。此外,一个公平的超网训练方法,以确保所有的子网络可以公平和稳定的更新。基准测试的实验结果表明,我们可以提供更好的图像质量和更低的计算成本比国家的最先进的方法的生成器网络。例如,使用我们的方法,在整个edges-to-shoes数据集上只需大约8个GPU小时即可获得2.56 MB的模型,FID得分为24.13,在整个Urban 100数据集上只需10个GPU小时即可获得1.49 MB的模型,PSNR得分为24.94。
2021-04-19 cs.CV
Did You Steal My Shot? Pioneering Camera Motion Plagiarism Detection in Generative Videos
Hohai University(河海大学)
针对生成视频中相机运动抄袭问题,构建首个基准并提出结合涡量线索的光流增强表示,实现比最强基线高3.02倍的检测性能。
2026-09-22 cs.CV cs.MM
Style Separation and Synthesis via Generative Adversarial Networks
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Qihoo 360 Artificial Intelligence Institute(奇虎360人工智能研究院);University of Chinese Academy of Sciences(中国科学院大学);National University of Singapore(新加坡国立大学)
文体综合是近年来文体研究的热点,但对文体综合的双重问题“文体分离”却鲜有研究。在本文中,我们提出了风格分离和合成生成对抗网络(S3-GAN),以同时对特定类别的对象照片实现风格分离和风格合成。基于物体照片位于流形上且内容和风格独立的假设,采用S3-GAN建立流形与特征向量空间之间的映射,实现内容和风格的分离与合成. S3-GAN由编码器网络、生成器网络和对抗网络组成。编码器网络通过将对象照片映射到潜在向量来执行风格分离。隐向量的两半分别表示内容和样式。生成器网络通过将级联向量作为输入来执行风格合成。连接的向量包含样式目标图像的样式半向量和内容目标图像的内容半向量。一旦从生成器网络获得图像,就施加对抗网络以生成更逼真的图像。在CelebA和UT Zappos 50 K数据集上的实验表明,S3-GAN具有同时进行风格分离和合成的能力,可以在单个模型中捕获多种风格。
2018-11-07 cs.CV
SWAGAN: A Style-based Wavelet-driven Generative Model
Tel-Aviv University(特拉维夫大学)
近年来,生成对抗网络(GANs)的视觉质量取得了相当大的进展。即便如此,这些网络仍然遭受来自频谱偏置架构的高频内容的质量降级,以及类似的不利损失函数。为了解决这个问题,我们提出了一种新型的通用风格和基于Wavelet的GAN(SWAGAN),它在频域中实现渐进生成。SWAGAN在其生成器和嵌入式架构中集成了小波,在每一步都实施了频率感知的潜在表示。这种方法产生增强的视觉质量的生成的图像,并大大提高了计算性能。我们通过将其集成到SyleGAN2框架中来展示我们的方法的优势,并验证小波域中的内容生成会产生具有更真实高频内容的更高质量图像。此外,我们验证了我们的模型的潜在空间保留了允许StyleGAN作为众多编辑任务的基础的质量,并表明我们的频率感知方法也提高了下游视觉质量。
2021-02-11 cs.CV eess.IV