Искусственный интеллект

Невидимая Защита: Как Изображения Становятся Недоступными для Редактирования

от

Предыдущие методы защиты от атак на модели, генерирующие изображения из текста и изображения в изображение, приводили к появлению визуальных артефактов, тогда как разработанный подход DeContext эффективно устраняет признаки идентичности контекста, сохраняя при этом высокое качество генерируемых изображений.

Новый метод защиты конфиденциальности изображений, основанный на принципах диффузионных моделей, предотвращает несанкционированное редактирование без потери качества.

Искусственный интеллект на страже здоровья кожи: от диагноза до внедрения

от

Система, представленная на рисунке, демонстрирует архитектуру искусственного интеллекта, предназначенную для дерматологической диагностики, объединяя в себе возможности анализа изображений и машинного обучения для выявления кожных заболеваний.

В статье представлена комплексная структура применения искусственного интеллекта в дерматологии, направленная на повышение точности, скорости и доступности диагностики кожных заболеваний.

Искусственный интеллект и цифровая преступность: новая реальность для Индии

от

В статье анализируется влияние искусственного интеллекта на ландшафт киберпреступности и компьютерной криминалистики в Индии, а также необходимость адаптации правовых и этических норм.

Голос в переводе: как нейросети учатся понимать речь

от

Таблица 6 детализирует характеристики проанализированных моделей - количество параметров, принадлежность к категориям LLM, SFM и SpeechLLM, наличие общедоступных весов и используемую версию HuggingFace Transformer (HFv), раскрывая состав и возможности каждой архитектуры.

Новое исследование сравнивает эффективность моделей, напрямую обрабатывающих аудио, с традиционными системами распознавания речи для автоматического перевода.

Искусственный интеллект на службе цифровой криминалистики: от гаданий к обоснованным выводам

от

Эволюция искусственного интеллекта, используемого в цифровой криминалистике, демонстрирует переход от непрозрачных нейронных сетей, полагающихся на постобработку визуализаций, к современным мультимодальным большим языковым моделям, обеспечивающим семантическое рассуждение, и, наконец, к предложенному агенту, интегрирующему инструменты, ориентированные на доказательства, для повышения обоснованности, аудируемости и интерпретируемости результатов.

Новый подход к анализу мультимедийных данных предлагает использовать оркестровку ИИ-агентов для повышения надежности и прозрачности при выявлении подделок и манипуляций.

Пространственное мышление машин: новый взгляд на взаимодействие зрения и языка

от

В ходе сравнительного анализа возможностей трехмерной привязки в уличных сценах, предложенный метод N3D-VLM демонстрирует превосходство над моделями Qwen3-VL-8B и SpatialLM, подтверждая его более высокую точность в надежном пространственном рассуждении и привязке объектов к трехмерному пространству.

Исследователи представили модель N3D-VLM, способную понимать и рассуждать о трехмерном пространстве, объединяя возможности компьютерного зрения и обработки естественного языка.

Интеллектуальный поиск научных статей: новый подход к исследованию литературы

от

Предложенный подход к поиску научной информации, основанный на извлечении и расширении генерируемых данных (RAG), позволяет ранжировать статьи по релевантности запросу, внедрять извлечённый контекст в запрос и, используя языковую модель, формировать ответ, объединяя релевантность поиска и генерацию текста.

Представлена система ORKG ASK, использующая возможности искусственного интеллекта для более эффективного и прозрачного поиска научных публикаций.

Визуальное мышление машин: новый тест на понимание интерфейсов

от

Бенчмарк VenusBench-GD объединяет в себе как базовые задачи по распознаванию отдельных элементов графического интерфейса, так и продвинутые, требующие целостного анализа всей надстройки и её функциональности, что позволяет всесторонне оценить возможности существующих GUI-моделей в понимании контекста и сложных взаимодействий.

Представлен VenusBench-GD — масштабный набор данных для оценки способности мультимодальных моделей понимать и взаимодействовать с графическими пользовательскими интерфейсами.