Tag · 4 篇

生成对抗网络

分布底层视觉与图像复原3鲁棒性与安全1

TUDSR: Twice Upsampling-Diffusion for Higher Super-Resolution

提出两阶段上采样扩散框架，通过循环分块训练策略在有限资源下实现高分辨率（2048²）图像超分，可复用于其他需要突破模型原生分辨率限制的生成任务。

SEBA: Sample-Efficient Black-Box Attacks on Visual Reinforcement Learning

对做视觉 RL 或机器人策略的研究者，这篇给出了一个只用少量环境交互就能攻击图像输入连续控制策略的黑盒框架：用世界模型替代真实环境查询、用影子 Q 模型估计对抗回报、用 GAN 生成不可感知扰动，可直接用于评估视觉策略的对抗脆弱性。

Perceptual Neural Video Compression with Color Separation and Rank Chain

把亮度与色度解耦处理并分别分配计算与码率预算，再配合基于码率的排序链损失做感知优化，这套思路可直接迁移到任何需要兼顾保真度与感知质量的低层视觉编码/复原任务中。

DUO-VSR: Dual-Stream Distillation for One-Step Video Super-Resolution

把分布匹配蒸馏与对抗监督（RFS-GAN）结合成双流蒸馏，可将任意多步扩散 VSR 模型压缩到单步推理；其渐进式引导蒸馏初始化与偏好引导精修流程，也可迁移到其他扩散复原任务（去噪、去模糊）的少步加速上。