本研究系统调查了人工智能生成图像与自然图像之间的差异，提出了评估基准和包含44万个样本的多模态数据集DNAI。结果显示在多个维度上存在显著差异，强调结合定量指标与人类判断以全面理解AI生成图像质量的重要性。

本研究提出了一种改进的耦合归一化流模型，旨在提升自然图像生成的视觉质量。尽管整体质量仍有待提高，但在数量和质量性能上已达到先进水平，展现了其在复杂生成模型中的潜力。

该研究提出了DiffPAD框架，利用扩散模型有效防御对抗性补丁攻击，显著提升鲁棒性并恢复自然图像，展现出良好的应用潜力。

本研究提出了一种无需训练的扩散模型，有效降低医学和自然图像中的误诊率，分别达到40%和25%。同时，研究探讨了语言模型中的幻觉问题，发现生成文本中存在虚假信息，并提出了改进模型预测准确性的建议。

研究表明，深度显著性模型在视觉对象识别中优于传统模型，尤其在自然图像上。通过卷积神经网络提取多尺度特征并结合上下文信息，能有效提高视觉显著性预测的准确性。该方法适用于资源受限的应用，并在多个基准测试中表现良好。

本研究提出了一种未训练的深度解码器模型，能够有效生成自然图像并避免过拟合。通过引入混合解码器和多解码器，提升了预测准确性。同时，研究探讨了神经网络的鲁棒性及其在数据隐藏中的应用，提出了基于超网络的音频信号生成方法和图像降噪算法，展示了隐式神经表示在多种任务中的优越性能。

本研究介绍了自然图像噪声数据集（NIND），用于训练盲目去噪模型，展示了在不同ISO噪声水平下的优越性能。NIND数据集开放可用，适用于未来的图像去噪应用。研究还探讨了多种去噪方法，包括基于神经网络的技术和弱监督学习方法，均在不同场景中表现出色。

研究人员提出了一种新的自监督表示学习器，称为掩蔽扩散模型（MDM），在医学和自然图像语义分割任务中表现出优异的性能，并在少样本场景下取得了显著进展。

本文研究了像素判断和模型重构对感知分割的影响，并将其应用于自然图像和复合材料纹理的分割，以测试感知理论和创造新基准。

本研究提出了NPF-200数据集，用于研究非写实视频中的眼动感知。研究了自然图像与非写实数据的差异，并提出了NPSNet模型，用于非写实显著性检测。该模型展现了最先进的性能。

研究人员提出了一种新的自监督表示学习器，称为掩蔽扩散模型（MDM），用于医学和自然图像语义分割任务。MDM通过遮罩机制替换传统扩散中的加性高斯噪声，展示了强大的生成性能，并在少样本场景下超越了先前的基准。