Loading...
机构名称:
¥ 1.0

最近,扭曲或构成生成模型的事实的图像已成为社会知识。要应对一般人工智能(AI)模型的连续演变,模型归因(MA)是必需的,而不仅仅是鉴定合成图像。但是,必须从头开始培训当前基于深度学习的MA方法,以识别既耗时又耗时的模型。这项工作提出了一种新的策略,以处理持久新兴的生成模型。我们适应了少数拍摄的类侵入学习(FSCIL)机械性,以发现新的生成AI模型。与现有的FSCIL方法使用高级插入式对象分类的方法不同,MA需要分析综合图像中的颜色和纹理等低级细节。因此,我们利用夹子vit特征的不同利益来利用可学习的表示形式。为了学习有效的代表,我们提出了自适应集成模式(AIM),以计算每个图像的夹子vit块特征的加权总和,从而增强了对识别生成模型的ABIL。广泛的实验表明,我们的方法有效地从先前的生成模型扩展到最近的生成模型。

arxiv:2503.08148v1 [CS.CV] 2025年3月11日

arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第1页

arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第2页

arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第3页

arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第4页

arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第5页

相关文件推荐