摘要
摘要
得益于大规模多样化-数据集的支持,扩散模型能够实现高质量的个性化的图像生成,
广泛应用于图像编辑与风格迁移等领域。但是扩散模型也面临着新的挑战:一方面,模型
在训练过程中会学习到不当内容,并在推理过程中重现,且易受到对抗性文本提示的攻击,
增加了违规内容生成与知识产权侵犯的风险。另一方面,基于扩散模型生成的对抗样本面
临隐蔽性与鲁棒性不足的问题,这导致用户在公共社交媒体上发布的脸部图像缺乏有效保
护,容易被恶意人脸
您可能关注的文档
最近下载
- 建筑监理施工质量控制细则.docx VIP
- 39CBF-CQ开机运行维护手册(2014-06).pdf
- JJF(吉) 138-2024 四氟化碳气体检测报警器校准规范 .docx VIP
- 《电子工业超纯水紫外线降解总有机碳系统应用技术规程》.pdf VIP
- 清水河县生态文明建设示范县创建规划.doc VIP
- T_FJIOT 0002—2024 电动自行车和充电设施智慧消防远程监控 平台系统技术规范.pdf VIP
- ASTM D7490 - 13 标准规范全文.pdf VIP
- 新型电力系统的发展与挑战.pptx VIP
- ASTM D5127-13 中文版 电子学和半导体工业用超纯水的标准指南.docx VIP
- 北师大版(2024)三年级数学上册新教材解读课件.pptx VIP
原创力文档

文档评论(0)