문서 둘러보기
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.
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.
평균으로의 회귀와 큰수의 법칙
평균으로의 회귀와 큰수의 법칙은 서로 다른 통계 개념이다. 어느 쪽도 독립시행에서 과거 손실을 보상하도록 다음 성공 확률이 높아진다는 뜻은 아니다.
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.
자궁 내 피임 장치의 원리
자궁 내 피임 장치는 질을 막는 마개가 아니다. 자궁 안에서 구리 또는 호르몬의 작용으로 수정을 어렵게 한다.
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.
모발 탈색의 원리
모발 탈색은 과산화수소 등의 산화제가 머리카락 속 멜라닌 색소를 산화·분해해 색을 옅게 만드는 과정이다.
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.