본문 바로가기

전체 글143

[Notable] Evaluation Metrics 해당 글은 chatGPT 로 작성된 글 입니다. 2025. 2. 4.

[Paper Review] High-Resolution Image Synthesis with Latent Diffusion Models (Aka. Stable Diffusion) https://arxiv.org/abs/2112.10752 High-Resolution Image Synthesis with Latent Diffusion ModelsBy decomposing the image formation process into a sequential application of denoising autoencoders, diffusion models (DMs) achieve state-of-the-art synthesis results on image data and beyond. Additionally, their formulation allows for a guiding mechanism tarxiv.org 이번 주제는 아주 유명한 Stable Diffuion 논문을 리뷰해보도.. 2025. 2. 4.

[Notable] GANs 의 주요 문제점: Mode Collapse 와 Training Instability ✅ 1. Mode Collapse (모드 붕괴)🚩 Mode Collapse란?Mode Collapse는 GAN의 생성자(Generator)가 데이터의 다양한 패턴을 학습하지 못하고, 제한된 패턴만 반복적으로 생성하는 현상을 의미합니다.예시:고양이 사진 데이터셋으로 학습시켰다면 다양한 고양이 이미지를 생성해야 합니다.그러나 Mode Collapse가 발생하면 생성자는 "한 가지 고양이 유형"만 반복적으로 생성하게 됩니다.🔍 왜 발생할까?GAN은 생성자(Generator)와 판별자(Discriminator)가 경쟁하는 구조입니다. 이 과정에서:생성자가 우연히 판별자를 잘 속이는 특정 패턴을 발견합니다.이 패턴을 반복해서 사용하면 판별자를 속일 수 있다고 학습합니다.결국 데이터의 다양성이 사라지고 특정 모.. 2025. 2. 4.

[Notable] Explicit Representation VS Implicit Representation 1. Explicit Representation (명시적 표현)🔍 정의:Explicit Representation은 데이터를 직접적이고 구체적으로 표현하는 방식입니다.모델이 다루는 구조, 특성, 데이터 포인트 등이 명확한 형태로 정의됩니다.📊 예시:이미지 데이터: 픽셀 값으로 이루어진 RGB 이미지 각 픽셀의 색상, 위치가 정확하게 저장됨3D 모델링: 메쉬(Mesh) 기반 모델: 점(vertex)과 면(face)의 좌표가 명확하게 기록됨통계 모델: 가우시안 분포: 평균(μ)과 분산(σ²)이 명확하게 정의됨✅ 장점: 직관적이고 해석이 쉬움 데이터나 구조의 변경이 용이 명확한 수식 또는 규칙에 기반❌ 단점: 복잡한 데이터를 표현할수록 비용이 큼 (메모리, 계산량 증가) 고차원 데이터에서는 비효율적일 수 .. 2025. 1. 31.

[Paper Review][Workflow Review] DreamFusion: Text-to-3D Using 2D Diffusion DreamFusion 은 Text input에 3D output을 결과로 하는 논문입니다.https://dreamfusion3d.github.io/ DreamFusion: Text-to-3D using 2D DiffusionDreamFusion: Text-to-3D using 2D Diffusion, 2022.dreamfusion3d.github.io 정말 간단하게 정리를 하자면,NeRF 를 사용하여 랜덤한 3D 물체를 렌더합니다.그리고 text 데이터를 input으로 넣으면 Stable Diffusion 을 이용하여 2D image 를 generate 합니다.generated 된 이미지와 NeRF 에서 렌더된 3D 이미지의 2D, 그리고 text prompt 를 SDS (Score Distillati.. 2025. 1. 23.

[Notable] Differentiable image parameterization, DIP https://distill.pub/2018/differentiable-parameterizations/ Differentiable Image ParameterizationsA powerful, under-explored tool for neural network visualizations and art.distill.pub Differentiable image parameterization은 이미지 생성 및 최적화 과정에서 이미지를 파라미터화(매개변수화)하여 미분 가능한 형태로 변환하는 기법입니다.이를 통해 이미지 생성 또는 수정의 과정에서 미분 가능성을 유지하면서 최적화를 수행할 수 있습니다.주로 신경망 모델에서 이미지 생성, 변형, 복원 등의 작업을 하면서, 모델이 이미지에 대한 정보를 업데이트할.. 2025. 1. 21.

이전 1 2 3 4 5 6 ··· 24 다음

티스토리툴바