:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ye, Jingwen, Wang, Xinchao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2404.14016
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Distilled Datamodel with Reverse Gradient Matching
von: Ye, Jingwen, et al.
Veröffentlicht: (2024)

StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization
von: Liu, Songhua, et al.
Veröffentlicht: (2024)

One-shot Federated Learning via Synthetic Distiller-Distillate Communication
von: Zhang, Junyuan, et al.
Veröffentlicht: (2024)

Understanding Dataset Distillation via Spectral Filtering
von: Bo, Deyu, et al.
Veröffentlicht: (2025)

Introducing Visual Perception Token into Multimodal Large Language Model
von: Yu, Runpeng, et al.
Veröffentlicht: (2025)

MambaOut: Do We Really Need Mamba for Vision?
von: Yu, Weihao, et al.
Veröffentlicht: (2024)

Neural Metamorphosis
von: Yang, Xingyi, et al.
Veröffentlicht: (2024)

LinFusion: 1 GPU, 1 Minute, 16K Image
von: Liu, Songhua, et al.
Veröffentlicht: (2024)

Rethinking Large-scale Dataset Compression: Shifting Focus From Labels to Images
von: Xiao, Lingao, et al.
Veröffentlicht: (2025)

Learning-to-Cache: Accelerating Diffusion Transformer via Layer Caching
von: Ma, Xinyin, et al.
Veröffentlicht: (2024)

Adversarial Examples Are Not Real Features
von: Li, Ang, et al.
Veröffentlicht: (2023)

Unsupervised 4D Cardiac Motion Tracking with Spatiotemporal Optical Flow Networks
von: Teng, Long, et al.
Veröffentlicht: (2024)

Kolmogorov-Arnold Transformer
von: Yang, Xingyi, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Example Detection Through Model Explanation
von: Ma, Qian, et al.
Veröffentlicht: (2025)

Diversity-Guided MLP Reduction for Efficient Large Vision Transformers
von: Shen, Chengchao, et al.
Veröffentlicht: (2025)

Teddy: Efficient Large-Scale Dataset Distillation via Taylor-Approximated Matching
von: Yu, Ruonan, et al.
Veröffentlicht: (2024)

Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models
von: Xiong, Lexiang, et al.
Veröffentlicht: (2026)

TinyFusion: Diffusion Transformers Learned Shallow
von: Fang, Gongfan, et al.
Veröffentlicht: (2024)

InceptionNeXt: When Inception Meets ConvNeXt
von: Yu, Weihao, et al.
Veröffentlicht: (2023)

Isomorphic Pruning for Vision Models
von: Fang, Gongfan, et al.
Veröffentlicht: (2024)

Do Counterfactual Examples Complicate Adversarial Training?
von: Yeats, Eric, et al.
Veröffentlicht: (2024)

Selecting Fine-Tuning Examples by Quizzing VLMs
von: Ji, Tenghao, et al.
Veröffentlicht: (2025)

Adversarial Examples Detection with Bayesian Neural Network
von: Li, Yao, et al.
Veröffentlicht: (2021)

OminiControl: Minimal and Universal Control for Diffusion Transformer
von: Tan, Zhenxiong, et al.
Veröffentlicht: (2024)

Adversarial Example Defense via Perturbation Grading Strategy
von: Zhu, Shaowei, et al.
Veröffentlicht: (2022)

Heavy Labels Out! Dataset Distillation with Label Space Lightening
von: Yu, Ruonan, et al.
Veröffentlicht: (2024)

Improving Fast Adversarial Training Paradigm: An Example Taxonomy Perspective
von: Gui, Jie, et al.
Veröffentlicht: (2024)

Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples
von: Bouanani, Oussama, et al.
Veröffentlicht: (2026)

Almost for Free: Crafting Adversarial Examples with Convolutional Image Filters
von: Warnecke, Alexander, et al.
Veröffentlicht: (2026)

Transferable Adversarial Examples with Bayes Approach
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

Boosting Imperceptibility of Stable Diffusion-based Adversarial Examples Generation with Momentum
von: Haque, Nashrah, et al.
Veröffentlicht: (2024)

Analyzing Physical Adversarial Example Threats to Machine Learning in Election Systems
von: Kamal, Khaleque Md Aashiq, et al.
Veröffentlicht: (2026)

Protego: Detecting Adversarial Examples for Vision Transformers via Intrinsic Capabilities
von: Wu, Jialin, et al.
Veröffentlicht: (2025)

AdvDiff: Generating Unrestricted Adversarial Examples using Diffusion Models
von: Dai, Xuelong, et al.
Veröffentlicht: (2023)

Going Further: Flatness at the Rescue of Early Stopping for Adversarial Example Transferability
von: Gubri, Martin, et al.
Veröffentlicht: (2023)

Adversarial Examples in the Physical World: A Survey
von: Wang, Jiakai, et al.
Veröffentlicht: (2023)

Poison-splat: Computation Cost Attack on 3D Gaussian Splatting
von: Lu, Jiahao, et al.
Veröffentlicht: (2024)

UnSeg: One Universal Unlearnable Example Generator is Enough against All Image Segmentation
von: Sun, Ye, et al.
Veröffentlicht: (2024)

DASH: A Meta-Attack Framework for Synthesizing Effective and Stealthy Adversarial Examples
von: Nafi, Abdullah Al Nomaan, et al.
Veröffentlicht: (2025)

Improving Transformation-based Defenses against Adversarial Examples with First-order Perturbations
von: Zhang, Haimin, et al.
Veröffentlicht: (2021)