본문 바로가기

😎AI/Terminology9

[Notable] Inference time vs Rendering time 1. Inference Time (추론 시간)"모델이 입력을 받아 결과(출력)를 생성하는 데 걸리는 시간"예: 이미지 한 장을 넣었을 때, 모델이 3D 아바타를 생성하는 데 걸리는 시간.보통 딥러닝 네트워크 내부 연산 (forward pass)에 해당해.예를 들어, LHM 모델이 단일 이미지로부터 3D Gaussian 아바타를 만들어내는 데 걸리는 시간이 inference time🕒 시간 범위: 수 초 ~ 수 분📍 포함 내용:이미지 입력 → 3D representation 예측네트워크 연산 및 post-processing 2. Rendering Time (렌더링 시간)"예측된 3D 데이터를 시각적으로 표현(렌더링)하는 데 걸리는 시간"예: 생성된 3D Gaussian 아바타를 화면에 포토리얼리스틱하게.. 2025. 3. 31.

[Notable] NeuS (Neural Implicit Surface) https://lingjie0206.github.io/papers/NeuS/ NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view ReconstructionAbstract We present a novel neural surface reconstruction method, called NeuS (pronunciation: /nuːz/, same as "news"), for reconstructing objects and scenes with high fidelity from 2D image inputs. Existing neural surface reconstruction approaches, such alingjie0206.. 2025. 3. 18.

[Notable] 다중공선성(Multicollinearity) 다중공선성(Multicollinearity) 이란?: 회귀 분석에서 독립 변수들 간에 강한 상관관계가 존재하는 경우를 의미합니다. 다중공선성이 심하면 회귀 계수의 신뢰성이 낮아지고, 예측 모델의 해석이 어려워진다. 다중공선성이 문제를 일으키는 이유회귀 계수의 불안정성독립 변수들이 강한 상관관계를 가지면, 하나의 변수를 조금만 변경해도 회귀 계수가 크게 변할 수 있습니다.해석의 어려움어떤 독립 변수가 종속 변수에 실제로 영향을 미치는지 파악하기 어려워집니다.통계적 유의성 문제회귀 계수의 p-value 가 높아져 유의하지 않게 나타날 수 있습니다. 다중공선성 예시1. 실생활 예시: 부동산 가격 예측아파트 가격을 예측하는 회귀 모델을 만든다고 가정해 봅시다. 독립 변수로 다음을 포함한다고 가정합니다.전용면적 .. 2025. 3. 4.

[Notable] Low Temperature Samples Low Temperature Samples는 생성 모델에서 샘플 품질을 높이고 다양성을 줄이는 기법입니다.주로 확률 분포의 "샘플링 온도(temperature)"를 조절하여 생성 결과에 영향을 줍니다. 1. "Temperature"의 의미Temperature는 확률 분포의 "날카로움(sharpness)" 또는 "불확실성(uncertainty)"을 조절하는 하이퍼파라미터입니다.수학적으로는 소프트맥스(softmax) 함수에서 자주 사용됩니다:여기서:T = temperature (온도)zi = 로짓(logit) 값 (모델이 예측한 점수)P(xi) = 최종 확률 2. Temperature의 영향높은 온도 (T≫1)확률 분포가 **평평(flat)**해지고, 더 다양한 샘플이 생성됨모델이 불확실한 선택을 더 많이 .. 2025. 2. 5.

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

이전 1 2 다음

티스토리툴바