Aprimorando o corte automático de imagens com técnicas adversárias.

Investigadores da Universidade de Doshisha desenvolveram técnicas adversárias avançadas para melhorar os modelos automáticos de corte de imagens. Ao introduzir perturbações ruidosas impercetíveis, esses métodos garantem que partes cruciais das imagens, como informações de direitos autorais, sejam preservadas e não cortadas inadvertidamente.

Seu estudo, publicado no IEEE Access, apresenta duas abordagens: um método de caixa branca usando gradientes de modelo interno e um método de caixa preta empregando otimização bayesiana. Ambos os métodos melhoram a precisão e a equidade do corte, abordando vieses e riscos legais associados ao corte automático de imagens. Esta pesquisa marca um passo significativo em direção a sistemas de IA mais confiáveis e transparentes.mization. Both methods enhance cropping accuracy and fairness, addressing biases and legal risks associated with automatic image cropping. This research marks a significant step towards more reliable and transparent AI systems.