電腦視覺中的整合應用
圖像修補（Image Inpainting）：
生成式組件：
使用生成對抗網絡（GANs）或擴散模型（Diffusion Models）
來填補圖像中的缺失部分。
例如，這些模型可以根據周圍像素生成可能的內容。
鑑別式組件：
一個獨立的鑑別模型評估生成的修補結果，選擇最真實或與上下文最一致的版本。
特別是在美術修復中，這種方法能確保生成的內容符合特定畫家的風格。
例子：研究顯示，在美術修復中，生成模型產生多個可能的修補結果，
鑑別模型則根據畫家風格分配概率，選擇最佳結果。
應用場景：文化遺產保護，修復損壞的藝術品。
Anomaly Detection（異常檢測）：
生成式組件：
學習正常數據的分佈，例如工廠產品的標準圖像。
鑑別式組件：
將新數據與生成的 分佈比較，識別異常情況，
例如檢測缺陷產品。
應用場景：工業質量控制、安防監控。
視覺基礎模型（Visual Foundation Models， VFMs）：
這些模型在大型數據集上預訓練，能同時
執行 生成任務（如文本生成圖像）和 鑑別任務（如圖像分割）。
整合方式：
VFMs結合了生成式和鑑別式的能力，實現了零樣本泛化，
適用於多種電腦視覺任務。
例子：如DALL-E模型可生成圖像，也可通過適配進行圖像分類。
發表文章
