문서 둘러보기
대조 학습의 생성 과정 역추정
대조 학습의 생성 과정 역추정은 특정 통계 가정 아래 InfoNCE 계열 목적을 학습한 순방향 모형이 관측 자료의 생성 모형을 암시적으로 뒤집는다는 분석이다. 생성 모델링과 비선형 독립 성분 분석의 연결을 다룬다.
잠재 범주 대조 학습 이론
잠재 범주 대조 학습 이론은 의미적으로 비슷한 쌍이 같은 잠재 범주에서 나온다고 가정해 표현의 후속 분류 성능을 분석하는 틀이다. 미주석 자료의 대조 관계와 일부 잠재 범주로 구성한 분류 과제를 연결한다.
InfoMin 뷰 선택
InfoMin 뷰 선택은 과제에 필요한 정보를 유지하면서 두 뷰 사이 상호 정보를 줄이자는 대조 학습의 관점이다. 공통으로 남길 정보와 제거할 정보를 증강 및 뷰 설계에서 구분하도록 한다.
대조 표현의 정렬과 균일성
대조 표현의 정렬과 균일성은 양성 쌍 특징의 가까움과 정규화 특징의 초구 분포를 분석하는 관점이다. 대조 손실이 두 성질을 점근적으로 최적화한다는 분석과 각 성질을 측정하는 지표를 제안한다.
어려운 음성 대조 학습
어려운 음성 대조 학습은 기준 표본과 구별하기 어려운 음성의 난도를 조절해 표본화하는 비지도 표현 학습 접근이다. 참 유사도 레이블 없이도 유용한 어려운 비교를 구성하는 문제를 다룬다.
분리 대조 학습
분리 대조 학습은 InfoNCE 손실의 분모에서 양성 항을 제거해 양성과 음성의 결합 효과를 줄이는 표현 학습 방법이다. 배치 크기에 따른 학습 효율 문제를 다루는 간단한 대조 손실을 제안한다.
편향 보정 대조 학습
편향 보정 대조 학습은 무작위 음성 표본 중 실제로 같은 레이블을 가진 표본이 섞이는 문제를 보정하는 학습 목적이다. 참 레이블을 모르는 조건에서도 같은 의미 표본을 밀어내는 표본화 편향을 다루려 한다.
DirectPred
DirectPred는 입력 통계로 선형 예측기를 직접 설정하는 비대조 자기 지도 학습 접근이다. 단순 선형망의 학습 동역학 분석을 바탕으로 예측기와 그래디언트 중단 등이 표현 붕괴에 미치는 역할을 살핀다.
백색화 자기 지도 학습
백색화 자기 지도 학습은 잠재 특징의 백색화에 기반한 손실로 표현 붕괴를 피하려는 비대조 표현 학습 접근이다. 음성 표본 없이 같은 이미지의 여러 양성 쌍을 활용할 수 있도록 설계됐다.
AMDIM
AMDIM은 공통 문맥에서 얻은 여러 뷰의 특징 사이 상호 정보를 최대화하는 자기 지도 표현 학습 접근이다. 여러 관측에 걸쳐 영향을 주는 물체나 사건 같은 고수준 요인을 표현에 담으려 한다.
SEER
SEER는 정제되지 않은 대규모 이미지에서 감독 없이 시각 표현을 사전 학습하는 연구 모형이다. 정돈된 평가 자료에 한정된 자기 지도 학습이 실제의 다양한 영상 모음에서도 확장되는지 살핀다.
단렌즈와 줌렌즈의 차이
줌렌즈도 같은 초점거리의 단렌즈와 비슷한 화각으로 촬영할 수 있다. 최대 조리개와 크기, 화질까지 같다는 뜻은 아니다.
LOCA 사전 학습
LOCA는 패치 군집으로 얻은 조밀 의사 레이블과 상대 위치 예측을 결합하는 위치 인식 자기 지도 학습 방법이다. 물체 부분과 공간 배치를 학습해 의미 분할에 전이할 표현을 만들려 한다.
VICRegL
VICRegL은 전역 특징과 지역 특징에 VICReg 기준을 함께 적용하는 자기 지도 표현 학습 방법이다. 전체 이미지의 불변 표현과 위치별 특징 사이의 상충을 다루며 분류와 조밀 예측의 표현을 함께 학습한다.
EsViT
EsViT는 희소 자기 주의를 사용하는 다단계 구조와 지역 매칭 사전 과제를 결합한 자기 지도 비전 트랜스포머다. 계산 복잡도를 줄이면서 세밀한 지역 대응 표현을 학습하려 한다.
Leopart
Leopart는 조밀한 이미지 패치 군집 사전 과제로 물체 부분의 공간 표현을 학습하는 자기 지도 분할 접근이다. 비전 트랜스포머의 물체 위치 단서와 조밀 손실을 연결해 의미적으로 구별되는 공간 토큰을 만들려 한다.
DenseCL 플러스플러스
DenseCL 플러스플러스는 조밀 음성 쌍과 뷰 사이의 대응 및 재구성 과제를 살펴 DenseCL의 학습 방식과 목적을 개선하는 표현 학습 방법이다. 공간 위치 정보가 필요한 후속 과제의 표현 품질을 다룬다.
조밀 대조 표현의 정렬과 균일성
조밀 대조 표현의 정렬과 균일성은 지역 특징의 대응과 표현 분포가 후속 예측 성능에 어떻게 연결되는지 분석하는 연구 주제다. 조밀 대조 학습의 성질을 이해하기 위해 정렬 및 균일성 관점을 확장한다.
FLSL
FLSL은 비전 트랜스포머로 임베딩과 군집을 함께 학습하는 두 수준 특징 군집 자기 지도 방법이다. 인스턴스 전체의 표현에 치우친 학습을 조밀 예측 과제에 맞추려는 접근이다.
MSVQ
MSVQ는 여러 증강 뷰와 두 모멘텀 인코더가 만든 유사도 관계를 학생망에 전달하는 자기 지도 학습 프레임워크다. 실제로는 관련 있는 표본을 음성으로 취급하는 문제를 다루기 위해 부드러운 감독을 구성한다.
AdaSim
AdaSim은 잠재 공간의 추정 품질에 따라 이웃 부트스트래핑을 조절하는 자기 증류 기반 표현 학습 접근이다. 대조 학습에서 유용한 최근접 이웃 활용을 자기 증류에 그대로 옮길 때 생기는 성능 저하와 붕괴를 다룬다.
평균 이동 자기 지도 학습
평균 이동 자기 지도 학습은 각 이미지의 임베딩을 이웃 임베딩의 평균에 가까워지도록 학습하는 표현 학습 방법이다. 표본이나 군집을 서로 밀어내는 대조 없이 이미지를 묶는 접근을 제안한다.
NNCLR
NNCLR은 같은 이미지의 변환뿐 아니라 잠재 공간에서 가까운 다른 표본도 양성 쌍으로 사용하는 자기 지도 대조 학습 방법이다. 정해 둔 증강보다 다양한 의미 변화를 학습에 제공하려 한다.
PCL 표현 학습
PCL은 프로토타입을 잠재 변수로 두고 군집 추정과 대조 학습을 교대로 수행하는 비지도 표현 학습 방법이다. 개별 이미지를 구별하는 학습에 자료의 의미 구조를 함께 반영하려 한다.
SCAN 이미지 군집
SCAN은 자기 지도 특징 학습과 학습 가능한 군집화를 분리해 주석 없이 이미지를 의미 있는 묶음으로 나누는 접근이다. 먼저 얻은 의미 특징을 사전으로 사용해 저수준 단서에 의존하는 군집 학습을 줄이려 한다.
군집 표현 공동 자기 레이블링
군집 표현 공동 자기 레이블링은 레이블과 입력 자료의 식별자 사이 정보를 최대화하는 학습으로 군집 할당과 표현 학습을 함께 다루는 접근이다. 교차 엔트로피 최소화를 최적 수송 문제로 확장해 퇴화한 해를 피하려 한다.
IIC 군집 학습
IIC는 짝지어진 표본의 범주 할당 사이 상호 정보를 최대화해 주석 없이 분류와 분할을 학습하는 군집 목적이다. 고차원 표현을 별도 군집화하는 대신 학습망이 범주 할당을 직접 출력한다.
PiCIE
PiCIE는 색과 밝기 변화에 대한 불변성과 기하 변환에 대한 등변성을 군집 학습에 넣는 비지도 의미 분할 방법이다. 단순 픽셀 특징 유사도에 치우치지 않고 고수준 의미를 학습하려 한다.
MaskDistill 물체 마스크
MaskDistill 물체 마스크는 자료에서 생성한 물체 마스크를 군집화해 초기 분할망을 학습하고 저품질 마스크를 걸러 최종 모형을 만드는 비지도 의미 분할 접근이다. 물체 마스크를 픽셀 묶음의 사전 정보로 이용한다.
STEGO
STEGO는 비지도 특징의 의미 관계를 보존하면서 조밀한 표현을 작은 군집으로 증류해 의미 레이블을 만드는 분할 프레임워크다. 특징 학습과 군집의 조밀화를 분리하고 대조 손실로 두 요구를 연결한다.
FreeSOLO
FreeSOLO는 주석 없이 범주 비의존 인스턴스 분할을 학습하는 자기 지도 프레임워크다. SOLO 구조를 바탕으로 복잡한 장면의 물체를 발견하는 위치 인식 사전 학습을 제안한다.
CutLER
CutLER는 자기 지도 표현에서 여러 물체의 거친 마스크를 만든 뒤 검출기를 학습하고 자기 학습으로 보완하는 비지도 물체 검출 및 인스턴스 분할 방법이다. 마스크 발견과 검출기 학습을 연결한다.
LOST 물체 위치 추정
LOST는 자기 지도 방식으로 사전 학습한 비전 트랜스포머의 활성 특징을 이용해 주석 없이 물체 위치를 찾는 방법이다. 외부 물체 제안이나 이미지 모음 전체 탐색 없이 단일 이미지에서 동작한다.
TokenCut
TokenCut은 자기 지도 트랜스포머의 패치 특징으로 유사도 그래프를 만들고 정규화 절단으로 두드러진 물체를 찾는 알고리즘이다. 이미지와 영상의 검출 및 분할을 그래프 절단 문제로 표현한다.
DetCo
DetCo는 전체 이미지와 지역 패치 사이의 대조를 계층적인 중간 손실로 학습해 물체 검출 표현을 만드는 비지도 대조 학습 방법이다. 영상 전체의 인식 표현을 유지하면서 검출에 필요한 지역 정보를 학습하려 한다.
대조 검출 사전 학습
대조 검출 사전 학습은 증강된 이미지들 사이에서 물체 수준 특징을 식별하도록 학습하는 자기 지도 목적이다. 이미지 하나에서 얻는 학습 신호를 풍부하게 만들어 표현 전이의 계산 부담을 줄이려는 접근으로 제안됐다.
DenseCL
DenseCL은 두 이미지 뷰의 지역 특징 대응을 고려해 픽셀 수준 대조 유사도를 학습하는 자기 지도 사전 학습 방법이다. 영상 전체의 분류 표현과 위치별 예측 표현 사이의 차이를 줄이려 한다.
PixPro
PixPro는 조밀한 시각 표현을 학습하기 위해 픽셀과 전파 사이의 일관성을 사용하는 비지도 표현 학습 접근이다. 이미지 인스턴스 수준의 학습을 보완하는 픽셀 수준 사전 과제를 탐구한다.
이미지 간 픽셀 대조
이미지 간 픽셀 대조는 서로 다른 이미지에서도 같은 의미 범주의 픽셀 특징을 가깝게 하고 다른 범주의 특징을 구별하도록 학습하는 의미 분할 접근이다. 한 이미지 안의 문맥 외에 학습 자료 전반의 의미 관계를 이용한다.
ReCo 분할 학습
ReCo는 어려운 음성 픽셀의 희소한 집합을 이용해 의미 분할을 돕는 지역 수준 대조 학습 프레임워크다. 기존 분할망 위에 결합해 지도 및 반지도 조건의 픽셀 표현을 학습한다.
PS-MT
PS-MT는 보조 교사와 신뢰도 가중 교차 엔트로피를 사용하는 평균 교사 기반 반지도 의미 분할 방법이다. 부정확한 예측으로 일관성 학습을 수행할 때 생기는 오류를 줄이며 여러 수준의 교란을 함께 다룬다.
ST 플러스플러스
ST 플러스플러스는 여러 학습 체크포인트의 예측 안정성으로 신뢰할 미주석 이미지를 우선 선택하는 반지도 의미 분할 자기 학습 방법이다. 강한 자료 증강을 사용하는 기본 자기 학습을 선택적 재학습으로 확장한다.
CPS 반지도 분할
CPS는 서로 다른 초기값으로 학습하는 두 분할망이 서로의 의사 레이블로 감독하는 반지도 의미 분할 방법이다. 같은 입력의 두 예측을 일관되게 만들고 미주석 자료를 학습에 활용한다.
U2PL
U2PL은 신뢰하기 어려운 픽셀 예측도 가능성이 낮은 범주의 음성 표본으로 활용하는 반지도 의미 분할 방법이다. 예측 엔트로피로 신뢰도를 나누고 학습의 변화에 맞춰 구분 임계값을 조정한다.
철도 서행과 분기기의 속도 제한
가동 노즈 분기기를 사용해도 진로의 형상이나 선로 상태에 따른 속도 제한은 남는다. 분기기 구조, 직진·분기 진로, 시설 상태로 인한 서행을 구별한다.
SemiOVS
SemiOVS는 개방 어휘 분할 모형으로 분포 밖 미주석 이미지의 의사 레이블을 만들어 반지도 의미 분할에 활용하는 프레임워크다. 추가 자료의 양과 함께 기존 학습 분포와 다른 이미지에서 생기는 감독 오류를 다룬다.
UniMatch V2
UniMatch V2는 강한 사전 학습의 비전 트랜스포머 인코더를 기반으로 약한 교란과 강한 교란 사이의 일관성을 학습하는 반지도 의미 분할 방법이다. 구조적 기법과 별개로 기본 인코더 및 평가 자료의 중요성을 강조한다.
SemiVL
SemiVL은 시각 언어 사전 학습의 의미 지식을 반지도 의미 분할에 연결하는 방법이다. 공간 미세 조정과 언어 안내 디코더를 사용하며 범주 정의를 제공해 레이블의 모호함을 다룬다.
UniMatch 반지도 분할
UniMatch는 약하게 교란한 이미지의 예측으로 두 강한 교란 뷰를 안내하고 특징 교란 경로를 더하는 반지도 의미 분할 방법이다. 입력 수준 증강과 특징 수준 교란을 함께 사용해 일관성 학습의 범위를 넓힌다.
DGInStyle
DGInStyle은 의미 지도로 제어하는 잠재 확산 모형으로 다양한 거리 장면을 생성해 의미 분할의 도메인 일반화를 돕는 자료 생성 파이프라인이다. 학습한 의미 제어와 생성 사전을 연결하고 규모별 잠재 정보를 융합한다.
EDAPS
EDAPS는 의미 분할과 인스턴스 분할의 적응을 함께 다루는 도메인 적응 파노픽 분할 구조다. 공유 트랜스포머 인코더와 과제별 디코더를 사용해 공통 특징과 서로 다른 출력 요구를 연결한다.
CRST
CRST는 틀린 의사 레이블에 지나치게 확신하는 자기 학습을 완화하기 위한 신뢰도 정규화 프레임워크다. 연속 잠재 변수로 의사 레이블을 다루며 레이블 정규화와 모형 정규화를 구분한다.
푸리에 진폭 혼합 일반화
푸리에 진폭 혼합 일반화는 두 이미지의 진폭 스펙트럼을 선형 보간하는 증강으로 미지의 도메인에 대한 인식 일반화를 학습하는 접근이다. 위상 정보에 의미 단서가 담긴다는 가정과 원본 및 증강 예측의 일관성을 이용한다.
CBST
CBST는 의사 레이블 생성에서 큰 범주가 점차 지배하는 편향을 줄이기 위한 범주 균형 자기 학습 방법이다. 타깃 예측 생성과 재학습을 반복하며 공간 사전으로 레이블을 다듬는 구성을 함께 제안한다.
FDA 도메인 적응
FDA는 푸리에 영역의 저주파 정보를 교환해 소스와 타깃 이미지의 분포 차이를 줄이는 비지도 도메인 적응 방법이다. 정렬 변환 자체에는 별도 학습을 요구하지 않으며 의미 분할의 학습 자료를 구성하는 데 활용한다.
ClassMix
ClassMix는 신경망의 의미 분할 예측으로 물체 경계를 고려해 미주석 이미지를 섞는 반지도 학습용 자료 증강 방법이다. 분류 과제의 단순 증강을 픽셀 단위 분할에 그대로 적용할 때의 한계를 다룬다.
ProDA 도메인 적응
ProDA는 범주별 특징 중심인 프로토타입과의 거리를 이용해 의사 레이블을 수정하고 타깃 특징 구조를 학습하는 도메인 적응 분할 방법이다. 서로 다른 두 시점의 표현을 정렬해 타깃 특징을 더 조밀하게 만들려 한다.
DACS
DACS는 소스와 타깃 도메인의 이미지를 정답 및 의사 레이블과 함께 섞어 학습하는 비지도 도메인 적응 방법이다. 주석 있는 소스 자료의 학습에 도메인 간 혼합 표본 학습을 더한다.
MIC 도메인 적응
MIC는 일부 패치를 가린 타깃 이미지의 예측이 전체 이미지에서 만든 의사 레이블과 일치하도록 학습하는 도메인 적응 모듈이다. 가려진 영역을 주변 문맥으로 판단하게 해 타깃 도메인의 공간 관계를 익히도록 한다.
DAFormer
DAFormer는 트랜스포머 인코더와 다수준 문맥 융합 디코더를 사용하는 비지도 도메인 적응 의미 분할 방법이다. 희귀 범주 표본화와 사전 학습 특징 거리 및 학습률 워밍업으로 자기 학습의 편향과 소스 과적합을 다룬다.
HRDA
HRDA는 작은 고해상도 크롭과 큰 저해상도 크롭을 학습된 규모 주의로 결합하는 도메인 적응 의미 분할 방법이다. 세부 경계와 넓은 문맥을 함께 보면서 학습 메모리 부담을 다루려 한다.
NightCity
NightCity는 실제 야간 도로 장면의 픽셀 수준 의미 주석을 제공하는 데이터셋이다. 야간 자료 부족과 과다 노출 및 부족 노출이 함께 나타나는 문제를 다루는 노출 인식 분할 연구와 함께 제시됐다.
Refign
Refign은 정상 조건과 악조건의 대응 이미지를 정렬한 뒤 예측을 보정하는 자기 학습 기반 도메인 적응 확장 방법이다. 불확실성을 고려한 조밀 대응과 적응적 레이블 수정을 결합한다.
DANNet
DANNet은 야간 주석 없이 주간 자료와 대략 정렬된 주야간 이미지 쌍으로 야간 의미 분할에 적응하는 도메인 적응망이다. 주간의 정적 물체 예측을 야간의 의사 감독으로 이용하며 대응 오류를 재가중한다.
DTP 야간 분할
DTP는 야간 이미지를 반사 성분과 조명 성분으로 나눈 뒤 적응적으로 융합해 의미를 인식하는 방법이다. 조명의 영향을 줄인 표현과 조명 자체가 주는 단서를 함께 활용한다.
DIAL-Filters
DIAL-Filters는 이미지별 조명에 맞춰 입력을 조정하고 분할 결과를 보완하는 야간 도로 장면 의미 분할 모듈이다. 이미지 적응 처리기와 학습 가능한 유도 필터를 결합해 분할 과정을 종단간 학습한다.
NightLab
NightLab은 야간 의미 분할을 이미지 전체와 어려운 지역의 두 수준으로 수행하는 프레임워크다. 전체 분할의 초기 추정과 난도 검출을 이용해 추가 분석이 필요한 영역을 지역 모형으로 처리한다.
ACDC 데이터셋
ACDC는 안개와 야간, 비와 눈 조건에서 도로 장면 인식을 학습하고 평가하는 데이터셋이다. 같은 장면의 정상 조건 이미지와 의미가 불확실한 영역의 마스크를 제공해 악조건의 인식 문제를 살핀다.
Dark Zurich
Dark Zurich는 주간 영상과 대응하는 황혼 및 야간 이미지로 야간 의미 분할의 적응과 평가를 연구하는 데이터셋이다. 사람이 알아보기 어려운 야간 영역을 다루는 불확실성 인식 평가와 함께 제시됐다.
WeatherProof
WeatherProof는 같은 장면의 맑은 날씨 이미지와 악천후 이미지를 짝지어 의미 분할을 평가하는 데이터셋과 언어 안내 방법이다. 장면 구조 차이를 통제하면서 날씨 손상에 따른 분할 오류를 살피도록 구성됐다.
WeatherStream
WeatherStream은 실제 날씨 손상이 있는 이미지와 깨끗한 대응 이미지를 자동으로 수집하는 파이프라인 및 데이터셋이다. 빛 전달 물리와 초기 소규모 데이터로 학습한 모형을 이용해 수집 장면을 선별한다.
모바일 데이터와 오프라인 저장
요금제의 모바일 데이터 제공량은 통신망에서 주고받는 정보량의 기준이며 휴대전화 저장 용량과 다르다. 와이파이로 특정 자료를 미리 받을 수는 있지만 인터넷 연결 자체를 저장하는 것은 아니다.
LDR 악천후 복원
LDR은 시각 언어 모형이 만든 손상 설명으로 복원 전문가를 선택하는 언어 유도 악천후 복원 프레임워크다. 손상의 발생 여부와 종류, 심각도에 대한 설명을 사전 정보로 사용해 공통 지식과 날씨별 지식을 연결한다.
T3-DiffWeather
T3-DiffWeather는 프롬프트 풀에서 날씨 안내를 조합하고 깊이 특징으로 장면 안내를 제약하는 확산 기반 악천후 복원 방법이다. 복합 날씨의 처리와 배경 구조 재구성을 함께 다루려 한다.
AWRCP
AWRCP는 손상되지 않은 이미지에서 얻은 코드북 사전으로 악천후 이미지의 질감과 배경 구조를 복원하는 방법이다. 변형 가능한 교차 주의와 계층적 질감 워핑으로 관측 특징과 고품질 사전 특징을 연결한다.
WGWS-Net
WGWS-Net은 여러 날씨에서 공유되는 특징을 먼저 학습한 뒤 날씨별 특징에 필요한 매개변수를 적응적으로 확장하는 이미지 복원 방법이다. 두 단계 학습으로 공통 처리와 날씨 특화 처리를 연결한다.
TransWeather
TransWeather는 비와 안개, 눈 등 날씨로 손상된 이미지를 하나의 인코더와 디코더로 복원하는 트랜스포머 기반 방법이다. 패치 내부의 주의와 학습 가능한 날씨 유형 임베딩으로 서로 다른 손상에 대응한다.
WeatherDiff
WeatherDiff는 겹치는 이미지 패치의 잡음 추정을 부드럽게 통합하면서 악천후 이미지를 복원하는 확산 기반 방법이다. 고정된 하나의 전체 이미지 크기에 묶이지 않는 패치 기반 추론을 사용한다.
노트북과 데스크톱의 형태별 특성
고정 사용 여부와 휴대성·설치 공간·일체형 구성·확장성은 서로 다른 비교 항목이다. 노트북을 주로 책상에서 쓴다는 사실만으로 선택 이유가 없어지는 것은 아니다.
DiffUIR
DiffUIR는 서로 다른 손상 분포를 공유 분포로 연결한 뒤 과제별 복원 분포로 안내하는 확산 기반 통합 이미지 복원 방법이다. 강한 조건 안내와 공유 분포 항을 결합한 선택적 모래시계 매핑을 제안한다.
X-Restormer
X-Restormer는 여러 이미지 복원 과제의 요구를 비교해 설계한 범용 백본 네트워크다. 특정 과제의 성능만으로 복원망의 일반성을 판단하기 어렵다는 문제에서 출발한다.
DA-CLIP
DA-CLIP은 손상된 이미지에서도 복원을 안내할 특징을 얻도록 고정된 CLIP 이미지 인코더에 제어기를 학습하는 시각 언어 모형이다. 내용 복원을 위한 특징과 열화 특징을 출력해 다중 과제 이미지 복원에 활용한다.
DyNet 이미지 복원
DyNet은 가중치를 공유하면서 깊이가 다른 경량 및 대형 구성을 전환하는 통합 이미지 복원 네트워크 계열이다. 여러 구성을 함께 사전 학습해 초기화된 모듈과 체크포인트를 공유한다.
MoCE-IR
MoCE-IR는 계산 복잡도와 수용 영역이 다른 전문가 블록을 사용해 이미지 복원에 필요한 처리를 선택하는 방법이다. 더 단순한 전문가를 선호하는 방향으로 과제 배분을 유도하며 불필요한 전문가의 실행을 줄이려 한다.
RAM 이미지 복원
RAM은 손상 종류를 구별하는 대신 마스크 이미지 모델링으로 이미지 내용의 사전 정보를 학습하는 블라인드 통합 복원 방법이다. 마스크 사전 학습 후 층별 기여도를 평가해 일부 층만 미세 조정한다.
ABAIR
ABAIR는 손상 유형을 알지 못하는 이미지의 복원을 위해 저랭크 어댑터를 개별적으로 특화한 뒤 적응적으로 결합하는 방법이다. 픽셀별 열화 추정과 가벼운 추정기를 이용해 서로 다른 복원 처리를 연결한다.
UniProcessor
UniProcessor는 손상에 대한 설명과 처리 지시를 구분해 이미지를 복원하거나 향상하는 텍스트 유도 통합 처리기다. 문맥 제어 특징을 교차 주의로 주입하며 여러 손상이 섞인 입력에서 특정 손상만 다루는 제어를 지향한다.
AdaIR
AdaIR는 저주파와 고주파 정보를 입력에 맞게 추출하고 상호 조절하는 통합 이미지 복원 네트워크다. 손상 종류를 미리 지정하지 않고 서로 다른 열화가 주파수 대역에 미치는 차이를 이용한다.
DaAIR
DaAIR는 여러 이미지 손상의 공통점과 차이를 저랭크 영역에서 학습하는 통합 복원 방법이다. 열화 인식 학습기가 만든 표현으로 입력 손상에 맞게 모형 용량을 배분하고 통합 학습과 특화 학습을 결합한다.
FAPE-IR
FAPE-IR는 이미지 손상을 분석하는 계획기와 계획에 따라 복원하는 확산 실행기를 결합한 통합 이미지 복원 방법이다. 주파수 특성을 고려한 안내와 저랭크 전문가 선택을 통해 서로 다른 손상에 대응한다.
LoRA-IR
LoRA-IR는 열화 표현의 사전 학습과 저랭크 전문가를 이용한 미세 조정을 결합하는 통합 이미지 복원 프레임워크다. 열화 안내 라우터가 여러 전문가를 동적으로 통합해 입력 손상에 대응한다.
듀얼 네이티브 ISO와 기준 감도
듀얼 네이티브 ISO는 기준 감도를 전환해 고감도 노이즈를 줄이는 기능이다. 두 기준점 사이를 노이즈 없는 구간으로 보거나 ISO Auto와 같은 설정으로 보면 안 된다.
ClearAIR
ClearAIR는 전체 품질 평가에서 지역 손상 인식과 세부 복원으로 진행하는 통합 이미지 복원 프레임워크다. 다중 모달 모형의 평가와 의미 안내, 지역 열화 표현, 이미지 내부 단서 재사용을 계층적으로 결합한다.
MPerceiver
MPerceiver는 Stable Diffusion의 사전 정보를 이용하는 다중 모달 프롬프트 기반 통합 복원 방법이다. 전체 표현을 위한 텍스트 프롬프트와 여러 규모의 세부를 위한 시각 프롬프트를 입력의 열화 예측에 따라 조정한다.
Perceive-IR
Perceive-IR은 손상 종류와 심각도에 대한 세밀한 품질 인식을 복원 학습에 활용하는 통합 프레임워크다. CLIP 공간에서 세 수준의 품질을 구별하는 지각기를 학습하고, 난이도 적응형 지각 손실과 함께 복원망을 안내한다.
잠재 사전 부호화 통합 복원
잠재 사전 부호화 통합 복원은 입력에서 열화 인식 표현을 자동으로 추론해 복원에 사용하는 접근이다. 어떤 특징을 선택할지, 어디를 복원할지, 어떤 손상을 다룰지를 잠재 단서로 구분하고 공간 적응형 디코딩을 수행한다.
InstructRestore
InstructRestore는 사람의 지시에 따라 이미지의 대상 영역과 주변을 다르게 복원하는 프레임워크다. ControlNet 계열 구조에서 저품질 특징의 통합 강도를 영역별로 조절해 국소 보완이나 배경 흐림 같은 처리를 다룬다.
통합 이미지 압축 복원
통합 이미지 압축 복원은 여러 손상 유형을 제거하는 능력을 이미지 압축 과정에 함께 넣는 프레임워크다. 실제 내용과 열화 정보를 구별하기 위해 내용 정보와 열화 표현을 각각 집계하고, 손상 사전 정보 없이 압축과 보완을 다룬다.
InstructIR
InstructIR은 사람이 작성한 자연어 지시를 따라 손상 이미지를 복원하는 통합 방법이다. 잡음과 비, 흐림, 안개 제거 및 저조도 향상 등 여러 과제를 문장 안내로 다루고 지시 기반 복원 평가 자료를 제공한다.
ProRes 이미지 복원
ProRes 이미지 복원은 열화 인식 시각 프롬프트를 가중 조합해 원하는 복원을 제어하는 통합 방법이다. 일반적인 비전 트랜스포머를 기반으로 하며 적은 이미지의 프롬프트 조정으로 새로운 과제에 적응하는 방향을 제안한다.