본문 바로가기

Generative AI6

[Paper Review] Prompt-to-Prompt Image Editing with Cross Attention Control https://arxiv.org/abs/2208.01626 Prompt-to-Prompt Image Editing with Cross Attention ControlRecent large-scale text-driven synthesis models have attracted much attention thanks to their remarkable capabilities of generating highly diverse images that follow given text prompts. Such text-based synthesis methods are particularly appealing to humansarxiv.org 기존 LLI (Large-scale language-image) mo.. 2025. 2. 13.

[Paper Review] Classifier-Free Diffusion Guidance https://arxiv.org/abs/2207.12598 Classifier-Free Diffusion GuidanceClassifier guidance is a recently introduced method to trade off mode coverage and sample fidelity in conditional diffusion models post training, in the same spirit as low temperature sampling or truncation in other types of generative models. Classifier garxiv.org Introduce 이 논문은 classifier guidance 논문에서 classifier 을 사용하지 않고도 c.. 2025. 2. 5.

[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.

[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.

Diffusion(DDPM) diffusion 이란? diffusion process를 이용한 Generative 모델이다. Denoising diffusion 모델에는 두가지 과정이 있다. Forward Diffusion process에서는 초기 조건과 변동성을 기반으로 미래 값을 예측하는 반면, Reverse Diffusion process에서는 종단 값이 주어졌을 때 초기 값이나 경로를 예측하는 것을 목표로 한다. Forward Diffusion process Generative 모델에서 사용되는 확률론적 모델링 기법이다. 초기 조건과 변동성을 기반으로 시간이 지남에 따라 확률 변수의 값을 업데이트하여 새로운 데이터를 생성한다. Forward Diffusion process는 브라운 운동(Brownian motion)을 기반으.. 2023. 7. 11.

이전 1 다음

티스토리툴바