本文介绍了MNIST-C数据集，用于评估计算机视觉模型的鲁棒性。研究表明，简单的高斯噪声和斑点噪声训练可以提高模型的泛化能力。视觉transformer模型在数据破坏下的表现优于其他模型。此外，提出了针对图像污染的评估方法，以帮助选择适合特定任务的模型。

本文介绍了MNIST-C数据集，用于评估计算机视觉模型的鲁棒性。研究表明，现代视觉模型在面对多种损坏时性能下降，并提出了新的评估标准和基准测试，以提高医学图像分类的透明度和可复现性。同时，研究强调了不同模型架构的能力以及低分辨率在原型阶段的优势。