AIGC系列
文章平均质量分 81
论文阅读记录、代码分析和其它相关的内容。具体涉及的方向包括安全类(对抗攻击与防御)、生成模型(文生图、图片编辑)等。
huzimu_
坚持不懈,不屈不挠
展开
-
论文阅读:Forget-Me-Not: Learning to Forget in Text-to-Image Diffusion Models
这篇文章提出了Forget-Me-Not (FMN),用来消除文生图扩散模型中的特定内容。原创 2024-03-21 16:33:43 · 661 阅读 · 1 评论 -
论文阅读:Selective amnesia: A continual learning approach to forgetting in deep generative models
这篇文章提出了Selective Amnesia (SA),其借助了持续学习(continual learning)中的技巧(EWC和GR)实现生成模型中的概念遗忘。原创 2024-03-21 14:59:30 · 912 阅读 · 0 评论 -
论文阅读:DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation
一个新的个性化文生图模型方法:DreamBooth。给定几张参考图片,然后微调预训练的文生图模型,使得模型具备生成这些图片对应的特定物体的能力。在推理阶段,只需输入包含该特定物体的场景提示词,即可生成处于指定场景的特定物体的图片。原创 2024-03-19 20:37:02 · 506 阅读 · 0 评论 -
论文阅读:Taxonomy of Adversarial Attacks on Text-to-Image Generative Models
作者提出了以第一个针对文生图模型上的对抗攻击的分类法。原创 2024-03-14 13:50:49 · 560 阅读 · 0 评论 -
论文阅读:Editing Large Language Models: Problems, Methods, and Opportunities
由于大语言模型(LLM)中可能存在一些过时的、不适当的和错误的信息,所以有必要纠正模型中的相关信息。如何高效地修改模型中的相关信息而不影响无关的信息,是模型编辑方法试图解决的问题。本篇文章对大语言模型上的模型编辑方法(model editing)进行了分类介绍和评估,并提出了一个新的基准,包括评估数据集和评估标准。原创 2024-03-12 23:02:25 · 661 阅读 · 0 评论 -
论文阅读:Anti-DreamBooth: Protecting users from personalized text-to-image synthesis
本文为了防御个性化模型DreamBooth的恶意使用,提出了Anti-DreamBooth,其向图片中添加噪声,使得个性化模型在使用保护后的图片生成的图片质量严重下降。原创 2024-03-10 11:38:27 · 998 阅读 · 1 评论 -
论文阅读:Diffusion Model-Based Image Editing: A Survey
这篇文章是一篇基于扩散模型(Diffusion Model)的图片编辑(image editing)方法综述。作者从多个方面对当前的方法进行分类和分析,包括学习策略、用户输入、和适用的任务等。为了进一步评估文本引导的图片编辑算法,作者提出了一个新的基准,EditEval,采用了一个创新的指标:LMM Score。最后,作者分析了当前方法的局限和未来可能的研究方向。原创 2024-03-09 11:58:34 · 1621 阅读 · 0 评论