문서 둘러보기
PIP 이미지 복원
PIP 이미지 복원은 열화 인식 프롬프트와 기본 복원 프롬프트를 합치는 통합 모듈이다. 두 표현의 상호 작용으로 복원 안내를 만들고, 선택적 프롬프트 특징 연결로 열화 관련 특징을 조절한다.
TextPromptIR
TextPromptIR은 사용자의 문장 지시를 이미지 복원에 연결하는 방법이다. 과제에 맞추어 조정한 BERT가 텍스트 안내를 만들고, 전치 주의와 게이트 합성곱 모듈이 언어 안내와 시각 특징을 연결한다.
마우스 DPI와 폴링레이트
DPI는 이동량을 입력값으로 나타내는 감도와, 폴링레이트는 입력 보고 빈도와 관련된다. 여러 설정을 동시에 바꾼 체감만으로 원인을 분리할 수는 없다.
PromptCIR
PromptCIR는 압축 수준을 미리 모르는 이미지의 흔적을 복원하는 프롬프트 학습 방법이다. 이미지 특징에서 만든 부드러운 가중치와 프롬프트가 상호 작용해 내용과 왜곡에 맞는 안내를 제공한다.
PromptIR
PromptIR은 학습 가능한 프롬프트에 열화 정보를 담아 여러 종류와 강도의 이미지 복원을 안내하는 방법이다. 입력의 손상 종류를 미리 알려 주지 않고 잡음, 비, 안개 제거 등을 하나의 복원 구성에서 다룬다.
IQA-T1
IQA-T1은 이미지 품질을 판단할 때 분석 도구로 얻은 명시적인 시각 근거를 이용하는 프레임워크다. 잡음 잔차 지도, 기울기 통계, 주파수 스펙트럼 등을 점차 판단 과정에 통합하고 Q-Tool 자료로 근거 기반 학습을 지원한다.
MR-IQA
MR-IQA는 이미지 사이 품질 간격을 회귀와 순위 학습의 공통 관점으로 다루는 무참조 평가 방법이다. 품질 점수를 표본추출하고 쌍별 간격의 오차를 정책 보상으로 사용해 품질 구조를 명시적으로 학습한다.
Q-Hawkeye
Q-Hawkeye는 표본별 예측 불확실성과 시각적 근거를 고려하는 강화 학습 기반 이미지 품질 평가 프레임워크다. 여러 실행의 점수 분산으로 갱신 강도를 조절하고 원본과 열화 이미지 쌍으로 지각 손실을 학습한다.
TATAR 품질 평가
TATAR 품질 평가는 기술적 품질과 미적 평가에 서로 다른 판단 및 보상 방식을 적용하는 통합 프레임워크다. 시각 언어 기반망은 공유하면서 과제별 설명 자료와 지도 미세 조정, 강화 학습을 결합한다.
OmniQuality-R
OmniQuality-R은 여러 품질 과제의 판단 과정을 연속적인 보상 신호로 연결하는 프레임워크다. 지도 미세 조정 뒤 가우시안 기반 보상을 쓰는 그룹 상대 정책 최적화를 적용하고, 표준편차 필터와 엔트로피 게이트로 학습의 변동을 줄인다.
Q-SiT
Q-SiT는 이미지 품질 점수와 설명을 한 모형에서 공동 학습하는 프레임워크다. 품질 자료를 질문 응답 형식으로 바꾸고 사람이 작성한 해석 자료를 함께 사용하며, 작은 모형에서 정한 자료 혼합 비율을 큰 모형의 조정에 활용한다.
Q-Eval-100K
Q-Eval-100K는 텍스트 기반 생성 이미지와 영상의 시각 품질 및 문장 정렬을 평가한 데이터셋이다. 이미지 6만 개와 영상 4만 개에 사람의 주석 96만 개를 수집하고, 두 평가를 통합하는 Q-Eval-Score를 제안한다.
Q-Insight
Q-Insight는 품질 점수 회귀와 열화 인식을 강화 학습으로 함께 최적화하는 이미지 평가 모형이다. 그룹 상대 정책 최적화에 기반하며 내용 분석과 열화 파악, 이미지 비교를 포함하는 품질 이해를 목표로 한다.
노트북 통풍과 거치대의 역할
노트북 거치대는 바닥 통풍을 도울 수 있지만 모든 기기에서 필수인 것은 아니다. 단단하고 평평한 면에서 통풍구를 막지 않는 것이 기본이며, 받침과 쿨링패드의 효과는 사용 조건에 따라 달라진다.
게임 다운로드 용량과 설치 용량
게임의 다운로드 용량과 설치 용량은 다를 수 있다. 압축으로 줄어드는 양은 파일 구성과 기존 압축 상태에 따라 달라지므로 설치 크기만으로 압축률을 예측할 수 없다.
AGIQA-1K
AGIQA-1K는 확산 모형으로 생성한 이미지 1,080장의 지각 품질을 주관 평가한 데이터베이스다. 기술적인 결함과 생성 흔적, 부자연스러움, 불일치, 미적 요소를 논의하며 자동 품질 평가 모형을 비교한다.
M3-AGIQA
M3-AGIQA는 다중 모달 대규모 언어 모형으로 생성 이미지의 품질을 여러 단계에서 평가하는 프레임워크다. 중간 이미지 설명을 만들고 분석해 지각 품질과 문장 대응, 진정성의 세 관점을 다룬다.
AIGCIQA2023
AIGCIQA2023은 생성 이미지에 대한 사람의 선호를 품질, 진정성, 문장 대응의 세 관점으로 평가한 데이터베이스다. 여러 텍스트 이미지 생성 모형과 공통 프롬프트로 만든 결과를 주관 평가 및 자동 지표 비교에 이용한다.
MA-AGIQA
MA-AGIQA는 다중 모달 모형의 의미 정보와 기존 신경망의 품질 특징을 결합하는 생성 이미지 평가 방법이다. 텍스트 프롬프트로 의미 벡터를 추출하고 전문가 혼합 구조로 두 정보의 기여를 동적으로 통합한다.
AGIQA-3K
AGIQA-3K는 생성 이미지의 지각 품질과 텍스트 이미지 정렬을 사람의 점수로 평가하는 공개 데이터베이스다. 여러 생성 모형과 문장, 모형 매개변수로 만든 결과를 포함해 평가 모형과 주관 판단의 일치도를 연구한다.
IP-IQA
IP-IQA는 생성 이미지와 그 이미지의 텍스트 프롬프트를 함께 이용하는 품질 평가 프레임워크다. Image2Prompt 추가 사전 학습과 이미지 문장 융합 모듈, 특수 QA 토큰으로 두 입력의 관계를 학습한다.
리튬 이온 배터리 충전 사이클
리튬 이온 배터리의 충전 사이클은 충전기를 연결한 횟수와 다르다. 누적 사용량, 충전 상태와 온도를 구분해 배터리 수명을 이해한다.
LIVE 실환경 품질 데이터베이스
LIVE 실환경 품질 데이터베이스는 휴대기기로 촬영한 실제 복합 왜곡 이미지와 온라인 주관 평가를 모은 자료다. 통제된 단일 합성 열화만으로 설명하기 어려운 현실적 품질 문제를 평가하도록 구성되었다.
품질 유도 영상 향상
품질 유도 영상 향상은 참조 원본 없이 평가한 점수를 이용해 밝기와 대비의 보정을 안내하는 방법이다. 대비와 선명도, 밝기 등의 특징을 회귀로 평가하고 히스토그램 수정을 반복해 영상의 시각 품질을 조절한다.
CLIP-AGIQA
CLIP-AGIQA는 생성 이미지의 품질 평가를 위해 CLIP의 시각 및 언어 가지에 학습 가능한 프롬프트를 넣는 방법이다. 텍스트 이미지 정렬 품질 예측에서 얻은 일관성 지식으로 다중 모달 프롬프트 학습을 안내한다.
NeRF 플러스플러스
NeRF 플러스플러스는 신경 복사장의 형상과 복사 모호성을 분석하고 넓은 비유계 장면의 360도 시점 합성을 개선하는 방법이다. 물체 주변의 큰 배경을 표현할 때 생기는 매개화 문제를 다룬다.
인물 사진의 원근과 셀카 차이
인물 사진의 얼굴 비율은 카메라와 얼굴 사이의 거리, 화면 안의 위치, 좌우 반전 등의 영향을 받는다. 전면·후면 카메라라는 구분만으로 실제 얼굴에 더 가까운 사진을 정할 수는 없다.
Background Matting
Background Matting은 인물이 없는 배경 사진을 추가로 촬영해 사람의 전경 색과 알파를 추정하는 매팅 방법이다. 수작업 트라이맵 없이 일상적인 배경을 이용하며 합성 자료의 지도 학습과 실제 영상의 적대적 학습을 연결한다.
SiamFC 플러스플러스
SiamFC 플러스플러스는 분류와 대상 상태 추정을 함께 수행하는 완전 합성곱 샴 추적기다. 분류 점수의 의미, 사전 지식 의존, 추정 품질 점수를 구분하는 설계 원칙으로 주어진 대상의 위치와 상태를 추적한다.
DART 배경 매팅
DART 배경 매팅은 RGB-D 카메라의 깊이 정보를 이용해 정적인 배경과 전경을 구분하는 방법이다. 배경 깊이 사전과 베이지안 추론으로 예측을 정제하고 트라이맵을 거쳐 알파 매트를 생성한다.
RePaint 플러스
RePaint 플러스는 선형 모형 조건에서 확산 인페인팅의 복원을 분석하고 역과정의 불일치 편향을 수정하는 방법이다. 원래 RePaint의 표본 회복 문제를 살피며 제한된 이론 설정에서 선형 수렴을 증명한다.
PAConv
PAConv는 점의 위치에 따라 기본 가중치 행렬들을 조합해 합성곱 커널을 만드는 연산이다. Weight Bank의 행렬과 ScoreNet이 학습한 계수를 사용해 불규칙하고 순서가 없는 점 구름을 처리한다.
RTMW
RTMW는 몸통과 손, 얼굴, 발을 함께 다루는 다인 전신 자세 추정 모형 계열이다. RTMPose에 특징 피라미드와 계층 부호화 모듈을 결합하고 두 단계 증류를 이용해 여러 크기의 신체 부위 정보를 학습한다.
PatchMixer 점 구름
PatchMixer 점 구름은 형상 전체 대신 국소 패치를 처리하고 다층 퍼셉트론으로 패치 특징을 모으는 3차원 이해망이다. 부분 점 구름에 대한 강건성과 다른 영역으로의 일반화를 중시하며 형상 분류와 부분 분할을 평가한다.
Point-CMAE
Point-CMAE는 점 구름의 마스크 복원에 명시적인 대조 제약을 더하는 자기 지도 사전 학습 방법이다. 같은 입력에 서로 다른 마스크를 적용하고 두 경로에서 공통으로 가린 토큰의 복원 특징이 비슷해지도록 학습한다.
내장 그래픽 공유 메모리
내장 그래픽 공유 메모리는 GPU가 시스템 RAM의 일부를 사용하는 구조다. BIOS에서 예약 용량을 늘리는 것과 메모리 자체의 속도를 높이는 것은 다르며, 지나친 예약은 운영체제가 쓸 RAM을 줄일 수 있다.
메인보드 내장 Wi-Fi와 블루투스
메인보드 내장 Wi-Fi는 무선 네트워크 접속 기능이며, 유선 LAN과 별개다. 블루투스가 같은 무선 모듈에 함께 들어가는 제품도 많지만, 지원 여부는 각각의 사양으로 확인한다.
SSD와 HDD의 저장 방식과 수명
SSD는 주로 NAND 플래시에, HDD는 회전하는 자기 디스크에 데이터를 저장한다. SSD에 움직이는 부품이 없다는 말은 쓰기 수명이 무한하다는 뜻이 아니며, 일반적인 RAM과도 구별된다.
ULIP-2
ULIP-2는 점 구름, 이미지, 언어를 연결하는 3차원 다중 모달 사전 학습 프레임워크다. 대규모 다중 모달 모형으로 3차원 형상의 설명을 자동 생성해 수작업 주석 부담을 줄이고 표현 학습 자료를 확장한다.
Voxel-MAE
Voxel-MAE는 희소하고 밀도가 달라지는 주행 환경의 LiDAR 점 구름을 위한 마스크 사전 학습 방법이다. 복셀 표현을 이용해 가린 부분을 재구성하고 빈 복셀과 비어 있지 않은 복셀을 구별하도록 검출 기반망을 학습한다.
ImVoteNet
ImVoteNet은 RGB-D 장면에서 이미지의 2차원 투표와 점 구름의 3차원 투표를 결합하는 물체 검출망이다. 이미지에서 기하와 의미 특징을 추출하고 카메라 매개변수로 3차원 공간에 연결한다.
Part-A2
Part-A2는 점 구름의 물체 내부 부분 위치를 예측하고 모아 3차원 상자를 정제하는 검출망이다. 정답 상자에서 유도한 부분 감독 신호와 관심 영역 인식 풀링으로 기하 특징을 표현한다.
TriPose
TriPose는 여러 시점의 2차원 자세를 삼각측량해 3차원 자세 추정망을 학습하는 약지도 방법이다. 3차원 주석과 사전 보정 카메라를 요구하지 않으며, 학습 뒤에는 한 시점의 영상으로 자세를 추정한다.
명시적 가림 학습 자세 추정
명시적 가림 학습 자세 추정은 일부 관절을 학습 중 가려 단안 영상의 3차원 인체 자세를 추정하는 시공간 신경망 방법이다. 공간 규모와 시간 간격을 여러 수준으로 다루고 신체 구조와 움직임의 타당성을 판별한다.
HUND
HUND는 RGB 이미지에서 사람의 3차원 자세와 형상을 복원하는 신경망 기반 최적화 방법이다. GHUM 인체 모형의 상태를 반복 단계에서 갱신하고, 최종 단계의 개선도 고려하는 메타 정규화로 추정 과정을 학습한다.
LoopReg
LoopReg는 옷을 입은 사람의 3차원 스캔을 공통 인체 모형에 정합하는 학습 프레임워크다. 스캔에서 모형 표면으로 대응점을 예측하고 자세와 형상을 통해 다시 스캔으로 보내는 순환으로 자기 지도 학습을 수행한다.
선호 쌍 순위 품질 평가
선호 쌍 순위 품질 평가는 이미지의 절대 점수 대신 두 이미지 중 어느 쪽의 품질이 나은지 학습하는 무참조 접근이다. 특징에서 선호 레이블로의 관계를 분류 문제로 구성하고 그룹 라소 기반 다중 커널 학습을 사용한다.
참조 통합 트랜스포머 품질 평가
참조 통합 트랜스포머 품질 평가는 CNN과 트랜스포머로 특징을 추출해 완전 참조와 무참조 평가에 함께 사용하는 프레임워크다. 비국소 문맥을 고려하고 두 평가 방식을 공동 학습하는 구성을 제안한다.
노트북 사양과 가격의 관계
노트북은 CPU뿐 아니라 화면, 메모리와 저장 장치, 무게, 배터리, 외장 설계 등을 묶은 제품이다. CPU 성능 순서와 완제품 가격 순서가 항상 같을 필요는 없다.
MSTRIQ
MSTRIQ는 Swin Transformer의 여러 단계 특징을 융합하는 무참조 이미지 품질 평가 방법이다. 지역과 전역 정보를 함께 사용하고 상대 순위 학습과 회귀 손실, 자료 증강을 결합해 제한된 품질 평가 자료를 다룬다.
DDB-Net 야간 품질 평가
DDB-Net 야간 품질 평가는 어두운 이미지의 조명과 내용 정보를 분해해 품질을 예측하는 무참조 방법이다. 두 성분의 열화 특징을 각각 학습한 뒤 쌍선형 풀링으로 결합해 복잡한 실제 야간 왜곡을 다룬다.
MAP 기반 확산 사후 표본추출
MAP 기반 확산 사후 표본추출은 잡음 역문제에서 필요한 깨끗한 영상의 조건부 기대값을 최대 사후 추정 기반 대리 추정량으로 다루는 방법이다. 사전 학습 확산 모형과 데이터 적합성을 결합해 역전파의 계산 및 메모리 부담을 줄이는 방향이다.
계층 신경 연산자 초해상도
계층 신경 연산자 초해상도는 과학 데이터의 임의 배율 복원을 위해 함수 공간 사이의 관계를 학습하는 방법이다. Galerkin 유형 자기 주의와 sinc 필터를 사용하고 주파수 기반 학습 가능 손실 사전으로 픽셀의 기여를 조절한다.
렌즈 후드의 호환 조건
렌즈 후드는 지름 숫자만 같다고 호환되는 것이 아니다. 결합 방식이 맞는지와 촬영 화각에서 화면 모서리를 가리지 않는지를 함께 확인해야 한다.
OLED 번인과 주사율
OLED 번인에 영향을 주는 표시 조건과 주사율의 의미를 구분하고, 전력 소비만으로 번인 속도를 단정할 수 없는 이유를 설명한다.
카메라 셔터 수의 의미와 한계
카메라 셔터 수는 셔터 동작 횟수를 나타내는 참고 지표다. 집계 방식과 표시 항목이 다르므로 총 촬영량이나 카메라 전체 상태와 동일하게 볼 수 없다.
LMF 연속 이미지 표현
LMF 연속 이미지 표현은 고차원 잠재 디코딩과 저차원 고해상도 렌더링을 분리하는 임의 배율 초해상도 방법이다. 저해상도 특징에서 조절 정보를 공유해 계산을 줄이고, 영상 복잡도에 맞춘 다중 규모 렌더링을 사용한다.
DIIP
DIIP는 사전 학습 확산 모형의 이미지 사전과 조기 중단을 이용하는 블라인드 복원 방법이다. 열화 모형을 미리 알지 못하는 조건에서 입력을 최적화하며, 열화까지 과적합되기 전의 복원 결과를 이용하는 방향을 제안한다.
DSN-IQA
DSN-IQA는 다중 규모 의미 특징과 슈퍼픽셀 인접 정보를 결합하는 무참조 이미지 품질 평가망이다. 다양한 크기의 입력을 받아 내용에 따른 왜곡의 차이를 고려하고 특징 융합으로 품질을 예측한다.
동적 국소 필터 영상 초해상도
동적 국소 필터 영상 초해상도는 입력 표본과 위치에 따라 다른 필터로 움직임 추정과 보상을 암시적으로 수행하는 방법이다. 전역 정제망으로 비국소 상관을 활용해 복원 프레임의 공간 일관성을 보완한다.
TDNet 영상 분할
TDNet 영상 분할은 얕은 부분망을 연속 프레임에 나누어 실행하고 특징을 다시 합치는 시간 분산 신경망이다. 주의 전파로 프레임 간 기하 변화를 보완하며 그룹별 지식 증류로 전체 및 부분 특징의 표현력을 학습한다.
회의 영상 저지연 잡음 제거
회의 영상 저지연 잡음 제거는 일부 핵심 프레임에 이미지 잡음 제거를 적용하고 나머지 프레임은 영상 모형으로 처리하는 파이프라인이다. HI-GAN과 FastDVDnet을 결합하고 잡음 분석기의 피드백으로 결과를 조정하는 구성을 제안한다.
블루투스 6.1의 절전 개선
블루투스 6.1의 대표 개선은 기기 추적을 어렵게 하는 임의 시점의 비공개 주소 갱신과 그 처리에 드는 전력의 절감이다. 버전 숫자만으로 음질·지연이나 배터리 증가량을 정할 수는 없다.
블루투스 간섭과 소리 끊김
블루투스 소리 끊김은 주변 무선 기기의 간섭, 거리와 장애물, 재생 처리 조건 등 여러 원인으로 생긴다. 지하철이라는 장소나 코덱 이름만으로 원인을 단정할 수 없다.
USB 전원 공급과 데이터 호스트
USB의 전원 공급과 파일 통신은 별개의 기능이다. 일반적인 충전 전용 어댑터에 USB 메모리를 연결해도 컴퓨터처럼 파일을 읽고 쓰는 호스트 기능은 제공되지 않는다.
EAVSR
EAVSR는 실제 영상 초해상도를 위해 광학 흐름이 제공한 위치 오프셋을 여러 층의 적응 공간 변환으로 정제하는 방법이다. 실제 저해상도와 고해상도 영상의 정렬 및 복잡한 열화 문제를 다룬다.
SRWD 영상 초해상도
SRWD 영상 초해상도는 현실적인 여러 열화를 합성 학습 자료에 조합하는 블라인드 복원 전략이다. 흐림과 잡음, 축소, 픽셀 비닝, 이미지 및 영상 압축 흔적의 순서를 무작위로 바꾸어 다양한 입력을 만든다.
과제 지향 흐름 영상 잡음 제거
과제 지향 흐름 영상 잡음 제거는 잡음 제거에 적합한 다중 규모 광학 흐름을 학습하고 이를 특징 정렬과 전파에 사용하는 방법이다. 낮은 해상도에서 높은 해상도로 흐름 정보를 점차 보강해 여러 프레임의 시간 단서를 활용한다.
흐름 트랜스포머 프레임 보간
흐름 트랜스포머 프레임 보간은 광학 흐름으로 대응 영역을 정하고 그 안에서 시간 자기 주의를 계산하는 방법이다. 움직임 정보를 주의 구조에 결합하고 다중 규모 구성을 이용해 큰 움직임의 중간 프레임 생성을 다룬다.
카메라와 순간광의 플래시 동조
플래시 동조는 카메라가 사진을 기록하는 시점에 조명의 발광을 맞추는 것이다. 핫슈 접점과 송수신 장치가 신호를 전달하며, 무선 방식과 고속 동조의 지원 조건은 기기마다 다르다.
DLSS와 Lossless Scaling의 차이
DLSS와 Lossless Scaling은 업스케일링과 프레임 생성이라는 비슷한 목적이 있지만, 같은 기술이나 동일한 GPU 기능을 제공하는 프로그램은 아니다.
모니터암 폴과 관절 구조의 차이
모니터암의 폴은 기둥 구조를, 관절은 움직이는 연결부를 뜻한다. 두 구조는 결합될 수 있으며 높이 조절 방식과 이동 범위는 모델마다 다르다.
MA-VFI
MA-VFI는 계층적 피라미드 특징과 규모 간 움직임 구조로 중간 광학 흐름을 추정하는 프레임 보간망이다. 가림이나 불연속 움직임에서 생기는 흐림과 흔적을 다루며, 특징과 흐름을 연결해 추정을 정제한다.
적응 합성곱 프레임 보간
적응 합성곱 프레임 보간은 두 입력 프레임의 국소 합성곱으로 중간 프레임을 만드는 방법이다. 픽셀마다 다른 커널을 신경망으로 추정해 움직임 정보와 픽셀 합성 계수를 한 과정에서 함께 표현한다.
그래픽카드 보조 전원과 모델별 차이
그래픽카드 보조 전원 커넥터는 GPU 브랜드만으로 정해지지 않는다. 같은 GPU를 사용한 카드라도 제조사 모델에 따라 8핀 또는 12V-2x6 등을 채택할 수 있다.
유동 IP와 DHCP·MAC 주소의 관계
유동 IP는 접속할 때마다 바뀌는 번호가 아니다. DHCP 임대와 MAC 주소, 공유기의 내부·외부 IP를 구분해 이해한다.
Windows 설치 USB와 ISO 실행의 차이
설치 USB로 부팅해 새 드라이브에 설치하는 절차와 기존 Windows에서 ISO의 설치 프로그램을 실행하는 절차는 다르다. 설치 대상 드라이브와 데이터 백업, 에디션과 라이선스를 함께 확인한다.
SMC 플러스플러스
SMC 플러스플러스는 영상 분석에 필요한 의미 정보를 보존하도록 학습하는 압축 방법이다. 마스크 영상 모델링과 비의미 정보의 엔트로피 정규화를 이용하고, 움직임 예측 및 트랜스포머 압축으로 시간 의미와 부호화 효율을 다룬다.
스코어 기반 이미지 압축
스코어 기반 이미지 압축은 평균제곱오차를 목표로 하는 오토인코더 뒤에 스코어 기반 디코더를 연결하는 두 단계 방법이다. 같은 비트율에서 지각 품질을 높이는 문제를 다루며 텍스트 이미지 생성과 다른 설계 선택이 필요할 수 있다.
공간 분해 시간 융합 예측
공간 분해 시간 융합 예측은 영상을 구조와 세부로 나누고 장단기 시간 문맥을 합쳐 프레임 간 예측을 만드는 학습 압축 방법이다. 국소적인 움직임 불일치와 가림을 다루기 위해 각 성분의 움직임 추정과 문맥 추출을 수행한다.
DCVC-B
DCVC-B는 앞뒤 참조를 사용하는 B 프레임을 위한 심층 문맥 영상 압축 방법이다. 양방향 움직임 차이의 문맥 전파와 시간 엔트로피 모형을 사용하고, 계층적 품질 구조로 긴 영상 묶음의 비트 배분을 학습한다.
촬영 장비의 결로와 온도 적응
차가운 촬영 장비를 따뜻한 곳으로 옮길 때 결로가 생길 수 있다. 이동 전 밀봉과 온도 적응을 구분하고 모델별 저온 사용 조건은 따로 확인한다.
Windows 클린 설치와 초기화
Windows 클린 설치는 기존 환경을 지우고 다시 시작하는 방법이다. 초기화·파일을 보존하는 복구와 제거 범위가 다르므로 목적과 증상에 맞게 선택한다.
개선 체커보드 학습 압축
개선 체커보드 학습 압축은 병렬 엔트로피 복호와 변형 합성곱, 지식 증류를 결합해 속도와 압축 품질을 조절하는 방법이다. 분리된 분포 추정망과 희소 잠재 표현을 이용하고 0이 아닌 채널만 부호화한다.
조건 디코더 영상 표현
조건 디코더 영상 표현은 프레임 번호를 조건으로 사용해 신경망 내부 특징을 목표 프레임에 맞추는 영상 표현 강화 방법이다. 시간 인식 아핀 변환과 정현파 블록을 이용하고, 고주파 정보를 보존하는 복원 손실을 함께 사용한다.
잠재 분류기 안내
잠재 분류기 안내는 생성 모형의 의미 잠재 공간에서 확산 모형과 보조 분류기를 학습해 조건부 생성을 제어하는 접근이다. 원래 의미를 유지하는 안내 항을 더해 이미지의 순차적 조작과 조합 생성을 다룬다.
텍스트 이미지 지표의 구성 타당도
텍스트 이미지 지표의 구성 타당도는 자동 점수가 실제로 문장과 이미지의 일치성을 측정하는지 확인하는 문제다. 언어와 시각 정보에 대한 민감도, 평가 구성 요소의 역할, 질문 응답 편향 등을 나누어 살펴본다.
RichControl
RichControl은 조건 특징의 샘플링 일정을 잡음 제거 과정과 분리하는 학습 없는 이미지 제어 프레임워크다. 특징을 주입하는 시점과 재시작 정제, 외관을 풍부하게 하는 프롬프트를 이용해 구조 보존과 자연스러운 외관을 함께 다룬다.
주체 강화 주의 안내
주체 강화 주의 안내는 복수 대상의 특징을 생성 이미지에 유지하도록 추론 중 주의 지도를 보강하는 방법이다. 대상별 속성 연결과 특징 주입을 다루며 별도 학습 없이 문장 정렬과 주체 충실도를 함께 개선하는 것을 목표로 한다.
Windows 스마트 앱 컨트롤과 앱 신뢰도
스마트 앱 컨트롤은 앱의 평판과 전자서명 등을 검사하는 Windows 보안 기능이다. 앱 차단과 CPU 보안 취약점을 구분하고, 개별 오류를 제조사 문제로 단정하지 않는다.
Att-Adapter
Att-Adapter는 사전 학습 확산 모형에서 특정 영역의 연속적인 속성을 여러 개 제어하도록 학습하는 어댑터다. 분리된 교차 주의와 조건부 변분 오토인코더를 이용하며 쌍으로 짝지어진 합성 자료 없이도 학습할 수 있다.
IPAdapter-Instruct
IPAdapter-Instruct는 같은 참조 이미지를 어떤 의미로 사용할지 지시문으로 구분하는 이미지 조건 어댑터다. 외관 양식 전이나 물체 추출처럼 서로 다른 작업을 하나의 구성에서 학습해 이미지 조건의 모호함을 줄인다.
ScribbleDiff
ScribbleDiff는 사용자가 그린 간단한 선을 시각 조건으로 이용하는 학습 없는 이미지 생성 방법이다. 희소하고 가는 선으로 물체의 방향을 제어하기 위해 모멘트 정렬과 스크리블 전파를 사용한다.
확산 주의 조절
확산 주의 조절은 텍스트 이미지 생성에서 특정 토큰에 주의가 지나치게 집중되는 문제를 다루는 방법이다. 추론 중 주의 지도를 최적화해 입력 문장과의 의미 정렬을 돕고, 추가 학습이나 미세 조정 없이 적용한다.
DynamicControl
DynamicControl은 여러 이미지 제어 조건의 종류와 개수를 적응적으로 선택하는 생성 프레임워크다. 조건과 결과의 일치도를 평가해 순서를 정하고, 다중 모달 언어 모형과 병렬 다중 제어 어댑터를 이용해 조건들을 결합한다.
T2IScoreScore
T2IScoreScore는 생성 이미지가 요청 문장을 얼마나 충실하게 따르는지 판단하는 평가 지표를 다시 평가하는 자료와 메타 지표다. 의미 오류가 늘어나는 이미지들을 그래프로 구성해 순서 구분과 점수 분리 능력을 확인한다.
CCM 조건 제어
CCM 조건 제어는 일관성 모형에 ControlNet과 같은 이미지 조건을 추가하는 방법을 연구한 구성이다. 기존 제어망의 직접 사용, 일관성 학습을 통한 새 제어망 학습, 경량 어댑터를 통한 전이를 비교한다.
에너지 기반 확산 조합
에너지 기반 확산 조합은 학습된 확산 모형을 재사용해 여러 조건을 결합하는 생성 접근이다. 조합 분포를 샘플링하는 과정의 문제를 살피고 MCMC 기반 샘플러와 에너지 매개화를 이용해 조합 연산을 확장한다.
BoxNet 주의 마스크 제어
BoxNet 주의 마스크 제어는 문장 속 물체의 상자를 예측하고 확산 모형의 주의 영역을 제한하는 조합 생성 방법이다. 물체 누락과 속성의 잘못된 연결을 줄이기 위해 교차 주의와 자기 주의 지도에 마스크를 적용한다.
교차 주의 배치 안내
교차 주의 배치 안내는 생성 모형의 추가 학습이나 미세 조정 없이 이미지의 공간 구성을 제어하는 방법이다. 텍스트와 시각 정보를 연결하는 교차 주의를 조작하며 순방향과 역방향 안내 전략을 비교한다.