基于鞋款风格不变性与地面感知学习的密集足部接触估计 / Shoe Style-Invariant and Ground-Aware Learning for Dense Foot Contact Estimation
1️⃣ 一句话总结
这项研究提出了一个名为FECO的新框架,它通过对抗训练来忽略鞋子外观的多样性,并结合地面特征提取器,从而能够从单张RGB图片中更准确地预测脚底与地面的密集接触情况。
请先 登录 后再提交论文
基于鞋款风格不变性与地面感知学习的密集足部接触估计 / Shoe Style-Invariant and Ground-Aware Learning for Dense Foot Contact Estimation
这项研究提出了一个名为FECO的新框架,它通过对抗训练来忽略鞋子外观的多样性,并结合地面特征提取器,从而能够从单张RGB图片中更准确地预测脚底与地面的密集接触情况。
对抗流模型 / Adversarial Flow Models
这篇论文提出了一种结合对抗训练和流模型优点的全新生成模型,它既能像流模型一样稳定地学习确定性的数据映射,又能像对抗模型一样高效地实现一步或几步生成,在图像生成任务上取得了优异的性能。
UniGame:统一多模态模型的自对抗后训练框架 / UniGame: Turning a Unified Multimodal Model Into Its Own Adversary
本文提出了UniGame,首个针对统一多模态模型理解与生成路径间结构不一致问题的自对抗后训练框架,通过让生成分支主动挑战理解分支的脆弱性,显著提升模型一致性和鲁棒性。
迈向可靠扩散采样的前沿:基于对抗性Sinkhorn注意力引导的方法 / Toward the Frontiers of Reliable Diffusion Sampling via Adversarial Sinkhorn Attention Guidance
这项研究提出了一种名为ASAG的新方法,通过引入对抗性成本优化扩散模型中的注意力机制,从而在不重新训练模型的情况下提升生成图像的质量、可控性和可靠性。
感知优化与评估之间的意外不对称性 / The Unanticipated Asymmetry Between Perceptual Optimization and Assessment
这篇论文发现用于图像质量评估效果好的保真度指标不一定适合用于图像生成优化,揭示了感知优化与评估之间的不对称性,并指出判别器设计对优化效果起决定性作用。