- 综合排序
- 最热优先
- 最新优先
- 来自专栏论文降AIGC率
自己写的论文，为什么会被AIGC检测出高AI率？
一、为什么自己写的也会中招AIGC检测是概率判断，不是事实认定，结果并非绝对答案，本身存在着一定的局限性和误判（比如术语堆砌、写作风格与AI高度类似等），这也是部分国外高校取消AI率检测的原因。 国内外多个研究表明，AIGC检测对人类学术论文误判率高达25%-40%，尤其是短文本、轻度AI润色和非母语作者写作时，误判率更高。最扯的是：有同学把滕王阁序进行检测，AI率居然是100%。 AI写作越来越像人，AIGC检测算法也不断升级，覆盖了部分人写作特征，就拿以前没出现AI时的论文进行检测，也有AI率，而且个别的还不低。 所以，AIGC检测的不确定性因素太多了，检测结果目前还只能作为参考之一，不能当作唯一的评判标准，检测时要理性看待。二、AIGC检测经验小科普AI率检测是算法概率判断，不像查重是基于真实数据比对。 AIGC检测看的是整体风格、句式节奏、逻辑连贯性等，这些都是底层结构。建议先查AI率，解决完后再去查重降重（免费除外）。AIGC检测看的是论文整体，不要为了节省，像查重样只查标记内容，那样会不准确。
46400编辑于 2026-03-03 - 来自专栏我爱计算机视觉
AIGC生成图像检测：全面分析与比较主流方案
随着 AIGC 技术的发展，由 AI 所生成的虚假图像的检测问题正成为一个新的研究热点。但是现有检测方法的实验条件与测试数据集不完全相同，无法直接横向对比检测性能。 为此，我们针对目前现有主流AIGC图像检测方案进行全面分析与比较。 在保证相同训练集与实验条件的情况下，分析测试目前检测算法的检测准确率与泛化性等性能指标，为AIGC生成图像检测领域提供一项基准的实验对比平台（Benchmark），同时整合并开源了多种现有AIGC生成图像的检测算法 可见生成图像已经能够“欺骗”人类的眼睛，开发有效的检测工具迫在眉睫。 目前，已有许多针对AI生成虚假图像的检测工作 [2-9] ，但是，它们在性能分析实验中存在着一定的不一致性和不足。 我们共选取了9个SOTA检测方法 [2-10] ，在16个生成图像数据集上进行了大量测试。
3.4K11编辑于 2023-11-30 Turnitin查AI率检测原理！如何降低AIGC率！
毕业季，不少留学生和国内英专生被AI率折磨得不行，下面就来说说Turnitin AI率检测原理是什么？被判AI写作如何降低AIGC率！ AI率检测，本质上是概率判断游戏，查的是内容像不像AI写的。所以，会有误判的情况发生。 2、逻辑重组AI文本常出现局部逻辑极强，但全局又缺乏真实思考。根据自己的理解和思路，重新调整论证顺序与逻辑。如先把问题抛出来，再解释为什么会这样。 拆分复杂的段落，每段只描述一个小主题，避免一段到底，用2-3句话做过渡或结论，让读者一眼就能看到重点。背景常识简写就好，核心论点详细展开论述，让段落有详有略、有起伏，而不是平均用力。 写在最后：Turnitin AI率检测查的是内容像不像AI，而不是看谁写的。工具只是辅助，降AIGC率的关键还是个人思考与写作的真实感。
55210编辑于 2026-03-14- 来自专栏产品笔记
AIGC + 数字人行业应用及案例【2】
01 — AIGC + 数字人应用：游戏领域应用 AIGC基于数据训练和生成算法模型，可以生成各种形式的内容和数据，包括二维图像、文本、视频、代码、三维模型等多种。 AIGC不同功能可以在游戏领域中具体应用，包括剧情设计、角色设计、3D模型（外形）、游戏动画等，可以生成各类游戏资产，极大提升游戏的策划、美术、程序等环节的生产压力，缩短整体项目时间和人员，降低游戏的研发成本 02 — AIGC + 数字人应用：教育、金融、虚拟生命领域应用 教育领域 - 数字人教师 在教育领域，虚拟数字人结合AIGC也有了更多的探索与落地。 通过AIGC、数字人等技术将视觉、语音、智能对话等应用到教材场景化中，将课程变成AI互动课，更好地调动学习的积极性。
1.3K20编辑于 2023-09-09 免费AIGC检测工具推荐，助你轻松应对相关问题！
检测范围：明确检测范围，例如是全库检测还是针对特定文件夹或文件类型进行检测，这有助于提高检测效率。2. 确保文本的语言与AIGC检测工具支持的语言相符。2. 检测结果不准确问题描述：AIGC检测工具的输出结果与预期不符，准确性较低。解决方案：检查输入文本的质量和准确性，确保文本没有错误或歧义。 3.3 使用AIGC检测工具的注意事项在使用AIGC检测工具时，以下是一些重要的注意事项，可以帮助您避免误判或漏检，确保检测结果的准确性：1. 了解工具的限制：每种AIGC检测工具都有其特定的限制和适用范围。在使用之前，确保了解这些限制，例如某些工具可能不适用于检测特定类型的数据或模型。2. 正确配置工具：根据您的具体需求，正确配置检测工具。 通过遵循这些注意事项，您可以更有效地使用AIGC检测工具，并减少误判或漏检的风险，从而提高您的工作效率和准确性。
76910编辑于 2025-08-30- 来自专栏贾志刚-OpenCV学堂
送书 | AIGC实战工业缺陷检测：从原理到代码
对异常木料进行检测并标记其中缺陷，如图 2 所示。 图2 异常位置mask展示图 在众多数据中挑选示例图时，笔者起初也忽略了图 1 中的部分异常，这表明人工检查的方式仍然存在一定的弊端。 在上述背景下，AIGC 技术的引入显得尤为重要。AIGC 技术能够通过结合最相关的特定技术手段来生成逼真的缺陷图像，丰富训练数据集，从而提升 AI 模型的检测性能。 通过结合 AI 模型和 AIGC 技术，木料缺陷检测不仅能够实现更高的自动化水平，还能显著降低操作人员的介入需求。 这种智能化的检测系统能够快速、准确地识别木料中的缺陷，确保生产过程中的每一块木料都达到高质量标准，从而提升最终产品的品质和市场竞争力。 2. ③如果后续需要扩展其他非标准需求，可以直接在 AIGC 主服务上进行扩展。 2. 人机交互 AIGC 在机器视觉领域中的应用，与 AIGC 在传感技术中的应用形式有所不同。
15510编辑于 2026-04-02 - 来自专栏论文降AIGC率
论文AI率到底查什么？吃透这5种修改技巧直接安全上岸！
一、AIGC检测到底查什么AIGC检测不是查你用没用AI辅助，而是查文本像不像AI写作。词汇分布句式结构语义逻辑表达习惯划重点：不是不能用AI，而是在于谁才是真正的作者。 一句话总结：AIGC检测就是概率预测，所以会有误判的情况，而且状况频出，常见的误判多为写作风格像AI、术语密集等。二、如何正确进行AIGC检测初稿阶段：可以不查，后续还要修改。 学校常用的AIGC检测平台：Turnitin（ttai.kk.checkyyds.com）：国际权威，适合留学生、英文专业的毕业论文，国际版+AI可同时出具查重和AI率双报告。 连续2-3个长句就拆分1个或插入1个短句，连续几个短句就适当合并，交替使用主动句、被动句、转折句等。 早降重：zjc.kk.checkyyds.com适配多平台检测：早降重适配最新升级的知网、维普、Turnitin、万方等平台的检测逻辑，还支持各平台的AIGC检测报告上传进行降重和降AI率。
1K10编辑于 2026-03-02 - 来自专栏顶象技术业务安全专栏
更安全的验证码=AIGC+集成环境信息检测！
邮箱服务器检测到异常登录请求，会下发验证码进行安全验证，但是黑灰产能够自动破解简单验证码，完成撞库登录过程。整个过程完全自动化操作，无需人工干预，就这样，用户的大批账号就被冒名登录了。 集成AIGC的顶象无感验证能够无限生产验证图片。通过AIGC能够文本描述快速生成无限量的图像素材，使得基于遍历图库的破解方式失效，大大增强验证码的破解难度。 此外，利用AIGC，顶象无感验证更创造出一些对用户友好、机器识别难度较高的新型验证码。 魔高一丈，黑灰产+AIGC突破常规验证码 AIGC技术能够生成海量图片，且有一定随机性且不可逆，使攻击者打标训练成本可增加10倍以上，虽然大幅增加机器破解的难度。 基于AIGC，黑灰产不再需要采集验证码厂商的图库并打标，就能训练模型识别各种艺术字。
67620编辑于 2023-08-03 - 来自专栏DevOps
AIGC：DALL·E 2、Midjourney和 Stable Diffusion 产品对比
截止目前为止，三个最流行的AI作画产品是 Stable Diffusion、Midjourney和 DALL·E 2。 一、DALL·E2 DALL·E2由 OpenAI开发，目前产品版本处于 beta 阶段。 1.如何使用 ① 文本提示作图 在 DALL·E2 中，可以使用 『文本到图像』和『文本引导的图像到图像』生成算法生成图像。 ③ 分辨率和格式 在 DALL·E2 中，所有生成的图像都具有 1024 x 1024 的固定图像大小 。 2.使用注意事项 首次注册 DreamStudio beta 将获得价值 2 英镑的积分。 这大约相当于 200 次单张图免✦费生成的额度。 免✦费试用后可以按 10 英镑的增量购买额外的积分。
2.4K10编辑于 2024-03-29 - 来自专栏DevOps
AIGC：基于StyleGan2的图像生成基本操作
1、安装装win11 由于镜像问题，需要手动使用傲梅分区助手扩容系统盘 2、安装Tesla T4驱动 下载地址：https://cn.download.nvidia.com/tesla/511.65/511.65 =1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 安装Anaconda 配置Cuda，CUDNN转 【6、拉取stylegan2仓库 】 5、测试性能 测试代码来自：PyTorch- 笔记本Nvidia MX250 显卡模型推理性能测试 6、拉取stylegan2仓库 安装requirements前需要安装vs community /pyspng-0.1.0-cp310-cp310-win_amd64.whl 7、StyleGANv2运行小问题解决 首先需要修改custum_ops文件中的路径： 然后需要下载安装CudaToolKit
35110编辑于 2024-03-29 - 来自专栏论文降AIGC率
论文查重、AIGC检测顺序｜按这个来，不做无用功！
毕业季，不少同学被查重、AIGC检测、降重、降AI率搞得头都大了！到底要先怎么查、怎么降才不做无用功？一、初稿阶段只降核心重复内容，不看AIGC率。 如果是重复率和AIGC率都高的话，也可以用工具结合人工降重，比如：早降重辅助工具，支持降重复率和降AIGC率，还能上传查重/AIGC检测报告针对性降重和降AI率。 三、定稿阶段定稿阶段，用学校指定的系统做最终AIGC检测与查重。 如果有不达标的情况： 重复率不达标→对重复内容做语义改写→查重（合格）→AIGC检测AI率不达标→对问题句子或段落加人味→AIGC检测（合格）→查重定稿阶段不管是做什么修改，提交学校检测前，二项都必须符合学校要求标准内 写在最后查重可以从免费查起，AIGC检测工具学校用什么就用什么查。降重复内容过程中，最好才用深度语义改写法，避免AI率反弹。二次验证，查重可只查重重复内容，AIGC检测要全文检测。
23610编辑于 2026-03-24 - 来自专栏DevOps
AIGC：DALL·E 2， Stable Diffusion和 Midjourney工作原理简介
文本转图像的AI工具有许多，但最突出的就属DALLE 2、Stable Diffusion和Midjourney了。 DALL·E 2 DALL-E 2由OpenAI开发，它通过一段文本描述生成图像。 夜晚的云端城堡，电影般的画面 - 图片由Midjourney生成 DALL-E 2原理 DALL-E 2主要由两部分组成——将用户输入转换为图像的表示（称为Prior），然后是将这种表示转换为实际的照片 它所做的事情与DALL-E 2所做的相反——它是将图像转换为文本，而DALL-E 2是将文本转换为图像。引入CLIP的目的是为了学习物体的视觉和文字表示之间的联系。 https://medium.com/geekculture/what-is-dalle-2-what-to-know-before-trying-the-groundbreaking-ai-e7a585f2edf0 https://medium.com/mlearning-ai/dall-e-2-vs-midjourney-vs-stable-diffusion-8eb9eb7d20be 2.参考 https:/
1.8K10编辑于 2024-03-29 - 来自专栏python开发者
【CCD图像检测】2：黑白图像检测的硬件设计
但如果CCD看得比较远，由于图像的几何畸变，会造成远方的黑线最后AD结果只有一个黑点，这样在黑线提取时造成了较高的误判率，此时此方法就不再适用。 原始跳变点的0.98 得到R2=1.96K 能在4µs（刚好是一个近处的黑线视频信号的宽度）时间后，电压达到原始跳变点的0.98 所以，一般 R2就取其中的某个值。 在实际中，配合LCD，调节R2电位器，结果发现R2=1.85K时有比较好的效果，符合理论计算结果。 关于R4参数的确定方法。 图20：十字交叉线的检测问题 图21：起跑线的检测问题 如果出现以上状况，那么起跑线的检测就变得相当困难（基本没法正常检测）：一方面有来自十字交叉线的干扰，另外一方面也因为起跑线本身检测的不稳定 当本行信号检测完毕后，或者，检测的跳变点超过一定数目后，就停止本行检测，再对下一行检测。
1.6K10编辑于 2022-05-10 - 来自专栏AI算法札记
目标检测2: 目标检测20年综述之(二)
本文是目标检测方向的第二篇，也是综述的第二部分，第一篇见目标检测1: 目标检测20年综述之(一)。 这两篇的目的主要是让读者对目标检测任务有直观的认识，后续介绍细节时有一定的概念储备，无需关注细节。 检测器的构建模块及其技术演化 5.1 Early Time’s Dark Knowledge 早期的目标检测 (2000年以前)没有遵循滑动窗口检测等统一的检测理念，当时的检测器通常基于低层和中层的视觉 早期的检测模型，如VJ检测器和HOG 检测器，都是专门设计用来检测具有“固定宽高比”的目标(如人脸和直立的行人)，只需要简单地构建特征金字塔并在其上滑动固定大小的检测窗口。 每个预定义anchor box的损失包括两部分：1)用于分类的交叉熵损失和2)目标定位的L1/L2回归损失。 缺点 （1）得分最高的框可能不是最合适的 （2）它可能会抑制附近的物体 （3）它不抑制false positives 5.5.2 BB aggregation 边界框聚合是针对NMS的另一种技术，其思想是将多个重叠的边界框组合或聚类成一个最终的检测结果
76140编辑于 2022-08-02 - 来自专栏AIGC 先锋科技
三合一检测器 | 通过CLIP编码，实现多模态检测，解决AIGC 恶意伪造内容问题！
人工智能生成内容（AIGC）技术，以文本到图像生成为代表，导致了深度伪造的恶意使用，引发了关于多媒体内容可信度的担忧。将传统伪造检测方法适应于扩散模型颇具挑战。 最近有一些关于扩散模型生成图像检测的研究，有些研究[2][3]采用在不同数据集上训练的卷积神经网络提取特征并进行分类。 Fake Image Detection Techniques 图2：扩散生成图像检测的说明。 文本-图像对齐与提取模块处理文本和视觉信息对，提取对齐的内容信息。 在这里，作者评估了检测器在两种类型的扰动（即高斯模糊和JPEG压缩）中的鲁棒性。在扰动中加入了高斯模糊（\sigma=1,2）和JPEG压缩（质量=80%，50%）。 具体结果如表2所示，与所有消融检测器相比，Trinity检测器的性能更优。同时，无论文本是自然语言文本还是BLIP生成的文本，它都比没有文本的检测器表现出更好的结果。
98610编辑于 2024-07-08 - 来自专栏机器学习与生成对抗网络
CVPR 2024 | 图像检测类（目标、deepfake、异常）！AIGC扩散模型diffusion解决detection任务
https://github.com/chen-si-jia/Trajectory-Long-tail-Distribution-for-MOT 目标检测 2、SAFDNet: A Simple and 在 Waymo Open、nuScenes 和 Argoverse2 数据集上进行大量实验证明，SAFDNet 在前两个数据集上的性能略优于先前的 SOTA，但在具有长距离检测特点的最后一个数据集上表现更好 在 Argoverse2 上，SAFDNet 在速度上比先前最好的混合检测器 HEDNet 快 2.1 倍，并且相对于先前最好的稀疏检测器 FSDv2 提高了 2.1% 的 mAP，速度提高了 1.3 此外，采用L2知识蒸馏技术，以提高合成图像中先前知识的保留。此外，方法还包括对新任务图像中的旧对象进行伪标签，以防止将其错误分类为背景元素。 针对这一问题，提出一种新的潜变量重构误差引导特征优化方法（Latent REconstruction error guided feature REfinement， LaRE2），用于检测生成图像。
2.7K10编辑于 2024-04-12 - 来自专栏Alone88
AIGC2D：使用GPT4.0的技术类教程
导语： AIGC2D是一家为开发者提供GPT4.0接口代理的技术平台。本教程将带你了解如何使用AIGC2D平台与GPT4.0模型进行交互，轻松应用人工智能技术于各种领域。 在本教程中，我们将指导你如何使用AIGC2D平台与GPT4.0模型进行交互，以及如何利用这一强大的技术来解决实际问题。 以下是具体步骤： 步骤1：访问AIGC2D官方网站 首先，你需要访问AIGC2D的官方网站：www.aigc2d.com。在网站上你将找到关于平台的详细信息和注册流程。 步骤2：获取API Key 注册并登录AIGC2D平台后，你需要获取API Key。这个Key将用于访问AIGC2D的API接口，实现与GPT4.0模型的交互。 步骤4：与GPT4.0模型交互 现在，我们将使用AIGC2D平台提供的API接口，与GPT4.0模型进行交互。
57120编辑于 2023-10-21 - 来自专栏毕业设计
YOLO+OpenClaw+AIGC缺陷生成：破解工业检测“数据荒”的低代码方案
YOLO+OpenClaw+AIGC缺陷生成：破解工业检测“数据荒”的低代码方案没有缺陷数据，就创造缺陷数据。AIGC生成+云端调度，让工业质检模型告别“营养不良”。大家好，我是AI小怪兽。 今天我就结合工业缺陷检测场景，展示一套低代码落地路径：AIGC缺陷生成 + YOLO检测 + OpenClaw自动调度，让模型从“吃不饱”变“吃得好”。一、工业质检的“数据荒”有多严重？ AIGC生成缺陷数据 2. YOLO模型训练 3. 合并真实缺陷和生成缺陷 print("Step 2: Merging datasets 先别盯着“真实数据不够”叹气，用AIGC创造缺陷数据，让模型吃上“营养餐”，立刻就能提升检测效果。
29610编辑于 2026-04-07 - 来自专栏DATABASE
2.系统状态检测命令
表2-10所示为执行who命令后的结果。 root tty2 2020-07-24 06:26 (tty2) 6．last命令 last命令用于调取主机的被访记录，输入该命令后按回车键执行即可。 24 05:59 still running root tty2 tty2 Tue Jul 21 05:19 - down (00:00) reboot ping命令的常见参数以及作用如表2-11所示。 netstat命令的常见参数以及作用如表2-12所示。
94220编辑于 2022-05-07 - 来自专栏机器视觉那些事儿
无纺布折痕检测（2）· 基于Laws纹理滤波的折痕检测
而这5个向量之间，相互乘积，可以生成检测水平、垂直、高频点、V形状等特征纹理的模板，下图为生成检测垂直边缘的LAWS模板(LS)。 ? 2 相关算子 texture_laws( Image : ImageTexture : FilterTypes, Shift, FilterSize : ) 名字：LAWS纹理滤波 描述：利用LAWS纹理滤波器对图像进行纹理变换 使用textrue_laws进行纹理滤波变换 2. 再用gray_range_rect进行灰度变换 3. 利用line_guass提取线条 4 实例分析 使用LAWS纹理模板--‘ls’，检测垂直纹理，效果如下 ? 3017_9715f15e264af3b.png') *LAWS纹理滤波 texture_laws (Image1030179715f15e264af3b, ImageTexture, 'ls', 2,
2.2K20发布于 2019-07-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号