本研究提出了一种利用对抗生成样本来改善深伪检测器的特征重要性推断和视觉解释的方法。通过生成扰动掩码，研究表明该方法显著提升了检测性能，更准确地识别操纵图像区域。

本研究提出Finer-CAM方法，旨在解决现有类激活图在区分相似细粒度类别时的不足。Finer-CAM通过比较目标类与相似类的差异，有效抑制共享特征，突出目标类的独特细节。研究表明，Finer-CAM在mask顶端激活像素时，相对置信度显著降低，展示了其在视觉解释中的潜力。

本文介绍了可解释人工智能（XAI）的研究进展，包括新的评估指标、数据生成器ShapeGGen和基于原型的神经网络（ProtoPartNNs）。研究强调深度学习模型的可解释性，提出多种视觉解释方法和评估标准，以提高模型的透明度和理解度。

本文提出了一种透明且准确的基于插槽注意力的分类器SCOUTER，强调可解释性和视觉解释。研究结合人类注意力知识，增强计算机视觉模型的合理性，并通过建立XAI基准推动视觉解释技术的发展。此外，提出了一种基于熵的新评估方法，以提高高分辨率卫星图像中建筑物分割的透明度和可解释性。

本文讨论了可解释人工智能（XAI）的框架及其在深度学习中的应用，强调了在增强现实和自动驾驶等领域的重要性。研究提出了一个XAI基准，整合了视觉解释流程和评估方法，以推动视觉解释技术的发展。同时，探讨了XAI在网络安全中的应用及其面临的挑战，强调透明度和用户信任的重要性。

这篇文章介绍了一种利用人工智能为时尚推荐系统提供细粒度的视觉解释的方法，通过自动生成有意义的描述，帮助顾客找到符合需求的替代品。训练和评估结果展示了优化的准确时尚物体识别能力，这个视觉感知系统代表了个性化时尚推荐的重要进展。

该文介绍了可解释人工智能（XAI）的重要性，提出了一个XAI基准，包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。作者还对视觉解释的超过10种评估方法进行了综合评述，以帮助研究人员有效利用数据集合。

该文章介绍了一个可解释人工智能（XAI）基准，包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。作者提出了一个全面的视觉解释流程，并对超过10种评估方法进行了综合评述。作者希望这个基准可以推动视觉解释模型的进步。

该论文介绍了一种名为Grad-CAM++的泛化方法，可以提供更好的CNN模型预测视觉解释，包括对象定位和解释单个图像中多个对象实例的方式，并在多个任务上进行了广泛的实验和评估。