Derniers articles pour Modèles génératifs

TGDP améliore la génération de données dans des scénarios avec peu d'exemples d'entraînement.

Cette étude présente une meilleure façon d'évaluer la performance des modèles génératifs.

Un nouvel algorithme améliore la récupération d'images à partir de données limitées.

Un défi axé sur des modèles génératifs profonds pour la génération d'images médicales réalistes.

Diff-Tuning améliore les modèles de diffusion pour une meilleure génération d'images et d'adaptation.

Les modèles de diffusion de chaos en champ moyen améliorent la génération de données pour des applications à haute cardinalité.

Présentation des chemins de diffusion pour une détection E/O efficace en utilisant un seul modèle.

Une nouvelle méthode pour évaluer les modèles génératifs avec une génération de données minimale.

Cet article explique le phénomène des hallucinations dans les modèles de génération d'images.

Une approche structurée pour évaluer les modèles texte-vidéo avec une efficacité améliorée.

Une nouvelle méthode améliore la génération d'images sans ensembles de données appariés.

Un nouveau modèle montre des promesses pour générer des images de haute qualité en utilisant la technologie quantique.

Explorer la stabilité dans le remplissage récursif pour les images générées par l'IA.

Un aperçu du codage par ondelettes et des modèles de transformeurs pour la création d'images.

FKEA propose une nouvelle façon d'évaluer les modèles génératifs sans avoir besoin de jeux de données de référence.

Une nouvelle méthode améliore l'échantillonnage multimodal en apprentissage automatique.

De nouvelles perspectives sur les classificateurs robustes améliorent leur capacité à résister aux attaques.

Diffuse-TreeVAE combine le clustering et la modélisation générative pour créer des images de haute qualité.

Une nouvelle méthode examine comment les données d'entraînement affectent les résultats des modèles d'IA.

Une nouvelle méthode améliore l'orientation dans les modèles de diffusion en utilisant l'apprentissage par renforcement.

Une nouvelle méthode améliore les attaques adversariales dans les modèles d'apprentissage automatique en utilisant CLIP.

Une nouvelle méthode améliore l'interprétation des modèles d'IA en se concentrant sur des concepts plutôt que sur des données de pixels.

Présentation d'un moyen efficace d'évaluer la qualité des échantillons générés en utilisant des scores de densité latente.

KSGAN améliore les modèles génératifs avec une mesure de distance unique pour une meilleure génération d'échantillons.

Une nouvelle méthode renforce la résilience des VAE face à des manipulations de données compliquées.

Un nouveau cadre améliore l'efficacité des modèles de diffusion tout en préservant la qualité des images.

De nouvelles méthodes détectent et réagissent à la mémorisation dans le contenu généré par l'IA.

ED-VAE améliore la génération de données en s'attaquant aux limites des VAEs traditionnels.

Un nouveau cadre améliore la façon dont les modèles comprennent les relations spatiales dans les images.

De nouvelles méthodes améliorent la façon dont différents types de données sont combinés pour de meilleurs résultats.

Soft-IntroVAE améliore les VAE avec un apprentissage préalable pour une meilleure génération de données.

K-Sort Arena améliore la façon dont on évalue les modèles génératifs visuels grâce à des comparaisons avancées.

Découvre comment CycleGAN transforme des images et les récentes améliorations pour booster les résultats.

Une nouvelle approche améliore la qualité des images dans les VAE multimodaux en utilisant des décodeurs de diffusion.

Une nouvelle méthode améliore la création de vidéos réalistes d'interactions entre objets en utilisant des données de profondeur.

Une nouvelle méthode pour apprendre des concepts à partir d'exemples uniques en utilisant des modèles de mélange gaussien.

De nouvelles méthodes améliorent la qualité des images et l'efficacité des modèles génératifs.

PrimeDepth améliore l'efficacité de l'estimation de profondeur en utilisant des modèles texte-à-image sans données d'entraînement supplémentaires.

Un aperçu de la distillation de l'oubli des scores et de son impact sur l'IA générative.

Voici TFG, une méthode qui simplifie la génération conditionnelle dans plein d'applis différentes.