大规模文本到图像扩散模型的扩展引起了人们对它们产生不良或有害内容的潜力的日益关注，从捏造的公众人物的描绘到性明确的图像。为了减轻这些风险，先前的工作已经设计了试图通过微调擦除不必要的概念的机器学习技术。但是，在本文中，我们引入了一种新的威胁模型，有毒的擦除（Toxe），并证明了最近的未学习算法，包括针对鲁棒性的明确设计的算法，可以通过有针对性的后门攻击来规避 ...

大规模的文本对图像（T2I）扩散模型已彻底改变了图像的产生，从而使文本描述中高度详细的视觉效果合成。但是，这些模型可能会无意间产生不适当的内容，例如受版权保护的作品或令人反感的图像。尽管现有的方法试图消除特定的不需要的概念，但它们通常无法确保完全删除，从而使概念重新出现以微妙的形式出现 ...

在删除特定目标概念时，文本到图像生成模型中现有的未学习算法通常无法保留语义相关概念的知识：一种称为邻接的挑战。为了解决这个问题，我们提出了淡出的淡出（扩散擦除的细粒度衰减），在扩散模型中引入了邻接的意识到的学习。淡出包括两个组成部分：（1）概念邻域，该概念邻域识别相关概念的邻接集，以及（2）网格模块，采用了结构化摄入，邻接和指导损失成分的结构组合 ...

AI的一个宏伟目标是建立一个可以根据自然语言说明进行准确导航的机器人，这要求代理人感知场景，理解和地面语言，并在现实世界中的环境中采取行动。这里的一个主要挑战是在培训期间看不见的新环境中学习导航。与所见的环境相比，大多数现有方法在看不见的环境中的表现越来越差 ...

量化技术可以通过利用高吞吐量整数指令来减少深神网络的大小，并改善推理潜伏期和吞吐量。在本文中，我们回顾了量化参数的数学方面，并在各种神经网络模型上评估了它们的选择，以用于不同的应用领域，包括视觉，语音和语言。我们专注于具有高通量整数数学管道的处理器可以加速加速的量化技术 ...

该技术报告引入了针对StreamPetr框架的有针对性改进，专门旨在增强速度估计，这是影响整体Nuscenes检测评分的关键因素。尽管在Nuscenes数据集上评估时，虽然流媒体表现出强大的3D边界检测性能，但其高平均精度反映出我们的分析将速度估计确定为实质性瓶颈。为了克服这一限制，我们提出了一种定制的定制位置嵌入策略，以增强时间建模功能 ...

基于BEV（Bird-Eye-View）的多视图3D检测最近取得了重大改进。但是，最新模型的巨大记忆消耗使它们很难在车辆上部署，而非平凡的潜伏期将影响流媒体应用程序的实时感知。尽管量化广泛应用于减轻模型，但我们在论文中表明，在BEV任务中直接应用量化将1）使训练不稳定，2）导致无法忍受的性能降解 ...

在每日场景中，从情感支持到个人互动，社交聊天机器人已成为必不可少的聪明人。但是，具有被动响应机制的传统聊天机器人通常依靠用户来通过提出新主题来启动或维持对话，从而导致参与度降低和缩短对话持续时间。在本文中，我们介绍了一个新颖的框架，通过个性化的实时检索和一代，为社交聊天机器人提供了背景意见的主动对话 ...