Niansia

在瀏覽器裡執行的對抗攻擊實驗場：畫一個或挑一個 MNIST 數字，在 L∞ 預算內用 FGSM、PGD 或指定目標的 PGD 攻擊 CNN，一步步看預測被翻轉，再透過梯度、轉移攻擊與輸入空間的決策地圖，和經過 PGD 對抗訓練的模型比較。

成果: 在 2,000 張 MNIST 測試圖上以 PGD-40 評估：一般模型從 98.95% 的乾淨準確率在 ε = 0.2 時掉到 0.2%；對抗訓練模型在 ε = 0.2 仍有 92.2%、ε = 0.3 有 85.3%（乾淨準確率 97.92%）。

低光影像增強：從整張圖的縮圖預測以亮度引導的 Zero-DCE 曲線與色彩矩陣雙邊網格，在全解析度上逐像素切片套用，再用輕量 NAFNet 去除雜訊、補回細節。

成果: 在 20 組保留的 NTIRE 2025 測試圖上（官方評分程式）：PSNR 24.57 dB／SSIM 0.840（測試時增強 24.63 dB）；原本的 Zero-DCE 課堂作法為 16.48 dB，同資料監督訓練的 Zero-DCE 為 20.91 dB。

用於產生原創學測模擬考的 Agent Skill。

成果: 分科命題指引、來源與答案檢查、版面驗證、考卷模板，以及公開的安裝說明。

以模擬為優先的 Windows 驅動程式可靠性研究平台，用於執行確定且可重現的實驗。

成果: Canonical Case IR、種子化排程、append-only SQLite journal、精確簽章、3/3 模擬重播、G3、E1、E2 與最小化紀錄、語意驗證，以及跨平台 CI。

以證據為優先的學術新穎性對抗審查 Agent Skill。

成果: 主張圖、跨供應者正規化紀錄、證據綁定先前研究集合、時間狀態、引文圖橋接、確定性報告不變量、三類公開案例研究，以及 82 筆審稿人標註案例的探索性測量。

面向可部署 AI 模型的廠商中立發布證據層。

成果: 可重現發布紀錄、明確升版政策、來源資訊、回歸定位與獨立驗證路徑。