Perfetto是一个强大的开源性能追踪系统，但在渲染追踪时可能导致事件流混淆。文章探讨了Perfetto在处理事件流时的模糊性，并提出通过微调时间戳来解决多个流关联的问题，以提高追踪准确性。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究探讨了面部深伪检测的框架，分析了不同深伪生成器产生的伪影。提出了面部不一致伪影和上采样伪影的分类方法，并设计了数据级伪造框架，发现仅用这些伪影训练的分类器能有效泛化到未见过的深伪。

本研究提出了一种结合合成数据的方法，以提升视频生成模型的物理真实性。通过计算机图形生成的视频，显著减少了伪影并提高了一致性，实验结果表明合成视频有效增强了物理真实性。

本研究探讨了大型语言模型（LLM）在安全评估中的可靠性，发现其对输入伪影的敏感性导致偏见，显著影响了对内容安全性的评价。研究提出了基于多个模型的评审方法，以提高评估的一致性和与人类判断的对齐，但伪影敏感性仍然存在，凸显了亟需更为多样化和抗伪影的方法以确保可靠的安全评估。

本文研究了冠状动脉内光干涉断层扫描（OCT）中因血液残留和气泡产生的衰减伪影的问题，这些伪影可能遮挡重要的血管结构。研究提出了一种卷积神经网络，通过分析二维图像中的特征，在多个坐标系中自动检测伪影，达到了高达0.94的严密伪影检测精度，显著提升了自动识别和图像再获取的效率。

本研究探讨了扩散模型生成图像的真实感与伪影之间的矛盾，并分析了公众对AI生成图像的信任。实验结果表明，场景复杂性、伪影类型、展示时间和人工筛选显著影响识别真实与AI图像的准确性。

本研究针对脑电图信号伪影的检测与校正，提出了一种基于LSTM的自编码器LSTEEG，旨在减少传统方法中专家干预的需求。研究表明，LSTEEG在伪影检测和校正方面的性能优于现有的卷积自编码器，能有效提升多通道脑电图的预处理效率，促进自动化脑电图分析在脑健康领域的应用。

本研究提出了一种基于深度能量模型的三维多层扩散加权MRI切片轮廓补偿方法，有效解决了层边界伪影引起的强度波动和混叠问题。通过正则化切片轮廓编码和多尺度能量正则化，显著提升了图像重建质量，为高分辨率扩散MRI提供了更有效的解决方案。

本研究提出了一种自监督学习的深度学习方法，解决指纹拼贴中的伪影检测问题。该方法利用未标记的指纹数据进行训练，准确识别拼贴错误，并引入新的伪影评分机制，从而提升指纹识别系统的准确性和可靠性。

本研究提出了一种新的端到端双域卷积神经网络方法，旨在解决低剂量X射线CT成像中的伪影和噪声问题。通过将问题分解为噪声减少和投影外推，实验结果表明该方法优于传统深度学习技术，具有重要的临床应用潜力。

本研究提出了一种改进的扩散模型，通过在UNet架构中集成无别名重采样层，解决了图像生成中的伪影和保真度问题，显著提升了生成图像的质量和多样性。实验结果表明，该方法在多个数据集上表现优异，具有推动未来研究的潜力。

本文探讨了卷积神经网络（CNN）在JPEG压缩图像去噪中的应用，提出了新型网络架构和训练方法，显著提升了图像重构质量和去噪性能。研究表明，特定质量因子的训练网络在多种质量范围内表现优异，有效降低了压缩伪影，增强了图像识别能力。

本文介绍了GATCluster，一种基于自监督高斯注意力网络的图像聚类方法，通过四个自学习任务实现目标导向的语义特征学习。实验结果表明，该方法在图像聚类方面优于现有技术。

本研究解决了扩散模型中无分类器引导的伪影问题，提出自适应投影引导（APG）方法。通过改进CFG更新规则，APG在不引入饱和的情况下提升生成质量，显著改善了FID、回调和饱和度指标，是一种优越的即插即用替代方案。

本研究解决了人工智能生成的合成科学图像识别的难题，特别是在面对纸浆工厂创造的虚假内容时。研究提出了一种新方法，通过识别和利用由先进生成模型（如生成对抗网络和扩散模型）产生的可解释伪影，实现开放集识别和源归属。研究的主要发现是，识别这些伪影能够有效地帮助追踪图像来源，从而提升对合成内容的信任度和安全性。

本文回顾了156篇关于深度学习（DL）与脑电图（EEG）的研究，发现DL在EEG信号识别中提高了5.4%的精度，但复现性较差。提出的新算法E4G和DTP-Net显著改善了伪迹去除和信号去噪，提升了分类准确率，推动了该领域的发展。

本文介绍了多种基于深度神经网络的稀疏视图CT成像重建方法，如超分辨率网络、学习交替最小化算法和三域方法。这些方法有效减少伪影，提高图像质量，展现出优于传统技术的潜力，具有广泛的应用前景。