VPI-Bench
1.《VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents》1.1 概述本文研究可视化提示词注入攻击，即将恶意指令以可视化方式嵌入到渲染的用户界面中，并分析了它们对Computer-Use Agents（CUAs） 和Browser-Use Agents (BUAs) 的影响。 本文提出了 VPI-Bench，一个包含 306 个测试用例的基准测试，涵盖五个广泛使用的平台，用于评估Agents在 VPI 威胁下的稳健性。每个测试用例都是一个 Web 平台的变体，部署在真实环境中，可交互，并包含一个可视化嵌入的恶意提示。 首先理解下面两个问题，就可以快速把握文章核心 为什么研究CUAs，它和BUAs的区别是什么 常规攻击过度依赖基于 HTML 的攻击，通常假设攻击可以通过修改 HTML 结构或向 DOM 元素注入恶意内容来执行，这些假设仅适用于能够解释结构化 Web...
信号与系统
第一章 信号与系统 第二章 线性时不变系统 第三章 傅里叶变换 第四章 离散时间的傅里叶变换 第五章 采样 第六章 拉普拉斯变换 第七章 Z变换
计算机组成原理
第一章 计算机系统概述 第二章 数据信息的表示 第三章 运算方法与运算器 第四章 存储系统 第五章 指令系统 第六章 中央处理器 关键点回顾
DCGAN
1.DCGAN TutorialDCGAN（Deep Convolution Generative Adversarial Networks）是深度卷积生成对抗网络，由 Alec Radfor 等人于2015年提出的一种模型。该模型在 Original GAN 的理论基础上，将 CNN 和 GAN 相结合以实现对图像的处理，提出了一系列对网络结构的限制以提高网络的稳定性。 项目地址Pytorch官网教程 1.1 核心算法DCGAN的核心在于对生成器（Generator） 和判别器（Discriminator） 的卷积结构设计 生成器（G） 输入为噪声向量 z ，通过一系列转置卷积层逐步上采样，每一层后应用批归一化和 ReLU激活函数（最后一层除外），最终层使用 Tanh激活函数 生成与目标图像尺寸匹配的输出。 判别器（D） 输入为真实图像或生成器生成的假图像，输入图像通过一系列卷积层逐步下采样，每一层后应用批归一化和...
Vista
1.《Vista: A Generalizable Driving World Model with High Fidelity and Versatile Controllability》1.1...
ROS
...