문서 둘러보기
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.
할인 행사와 판매 촉진의 경제 원리
할인은 개당 이익을 줄일 수 있지만 판매량 증가, 제품 체험, 고객 유입과 재고 관리 같은 목적을 가진다. 할인율이나 매출만으로 행사의 실제 손익을 판단할 수는 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.
RPG 이미지 생성
RPG 이미지 생성은 다중 모달 언어 모형으로 복잡한 요청을 여러 지역 생성 과제로 나누는 프레임워크다. 설명을 다시 구성하고 배치를 계획한 뒤 지역별 확산으로 생성하며 이미지 생성과 편집을 닫힌 고리로 연결한다.
ElasticDiffusion
ElasticDiffusion은 사전 학습 확산 모형의 생성 신호를 전역과 지역으로 나누어 다양한 크기와 화면비의 이미지를 만드는 디코딩 방법이다. 지역 패치의 세부 정보와 참조 영상의 전체 구조 정보를 함께 이용하며 추가 학습을 요구하지 않는다.
ControlNet 플러스플러스
ControlNet 플러스플러스는 생성 이미지에서 조건을 다시 추출하고 원래 입력 조건과 비교해 제어 일관성을 학습하는 방법이다. 한 단계 잡음 제거 결과를 이용한 보상 미세 조정으로 긴 샘플링 경로의 학습 비용을 줄인다.
CtrLoRA
CtrLoRA는 공통적인 이미지 변환 지식을 배운 기본 ControlNet과 조건별 LoRA를 결합하는 제어 생성 프레임워크다. 새 조건마다 전체 제어망을 독립적으로 학습하는 부담을 줄이고 조건 확장을 쉽게 하는 것을 목표로 한다.
DCEdit
DCEdit는 편집할 의미 영역을 찾고 특징과 잠재 표현 양쪽에서 제어하는 확산 이미지 편집 방법이다. 시각 및 텍스트 자기 주의를 이용해 교차 주의 지도를 개선하고, 얻은 지역 단서를 두 수준의 제어에 사용한다.
단일 이미지 연속 배치 편집
단일 이미지 연속 배치 편집은 물체의 시각적 특징을 유지하면서 한 이미지의 배치를 계속 바꾸는 확산 기반 방법이다. 물체별 개념을 서로 다른 텍스트 토큰에 담고, 사용자 배치에 맞게 이미지를 다시 생성한다.
I2SB
I2SB는 두 분포 사이의 비선형 확산 과정을 학습하는 조건부 생성 방법이다. 열화 이미지가 가진 구조 정보를 깨끗한 이미지의 복원에 활용하며, 경계 쌍이 주어졌을 때 중간 분포를 해석적으로 계산할 수 있는 확산 브리지를 이용한다.
TODInv
TODInv는 편집 과제에 맞추어 프롬프트 임베딩을 조정하는 확산 이미지 역변환 프레임워크다. U-Net 층과 시간 단계마다 다른 표현을 사용하고 구조, 외관, 전역 편집을 구분해 원본 충실도와 편집 가능성을 다룬다.
InDI
InDI는 저품질 이미지에서 출발해 작은 복원 단계를 반복하도록 학습하는 지도 학습 방법이다. 열화 과정을 해석적인 식으로 알지 못해도 저품질과 고품질 이미지 쌍을 이용해 복원 과정을 배울 수 있다.
PAIR-Diffusion
PAIR-Diffusion은 이미지 속 물체마다 구조와 외관을 제어하는 확산 기반 편집 프레임워크다. 참조 이미지의 외관 적용, 자유로운 형태 변경, 물체 추가 등을 다루며 텍스트와 참조 이미지를 함께 이용할 수 있다.
FBSDiff
FBSDiff는 확산 특징을 주파수 대역으로 나누고 일부를 참조 이미지의 특징으로 교체하는 이미지 변환 방법이다. 교체하는 대역의 종류와 폭을 조절해 참조 정보의 성격과 영향 강도를 다룬다.
Motion Guidance
Motion Guidance는 픽셀의 이동 방향을 지정하고 광학 흐름 추정망의 기울기로 확산 생성을 안내하는 이미지 편집 기법이다. 원하는 이동과 원본의 시각적 유사성을 함께 고려해 위치와 형태의 변화를 만든다.
Direct Inversion
Direct Inversion은 실제 이미지 한 장에 텍스트로 변화를 지정하는 확산 기반 편집 방법이다. 이미지별 최적화나 미세 조정 없이 사전 학습 모형을 이용하며, 편집 종류와 강도를 제어하는 설정을 제공한다.
InstDiffEdit
InstDiffEdit는 확산 모형의 교차 모달 주의를 이용해 편집 과정에서 영역 마스크를 만드는 방법이다. 주의 분포를 학습 없이 정제하고 모아 수정할 부분을 선택하며, 지역 편집과 마스크 정확도를 함께 평가한다.
Negative-prompt Inversion
Negative-prompt Inversion은 확산 이미지 편집에 필요한 역변환을 별도 최적화 없이 순전파로 수행하는 방법이다. 원본 재구성의 충실도를 유지하면서 편집 준비에 드는 계산을 줄이는 문제를 다룬다.
Prompt Tuning Inversion
Prompt Tuning Inversion은 입력 이미지 정보를 학습 가능한 조건 임베딩에 담고, 목표 텍스트 임베딩과 보간해 편집하는 방법이다. 재구성 단계와 편집 단계를 나누어 원본 충실도와 변화 가능성을 조절한다.
DiffusionCLIP
DiffusionCLIP은 확산 모형과 CLIP의 텍스트 표현을 이용하는 이미지 변환 방법이다. 입력 이미지의 역변환과 재생성 능력을 바탕으로 문장에 따른 외관 변화와 여러 속성의 편집을 다룬다.
Imagic
Imagic은 실제 이미지 한 장과 목표 문장으로 형태와 외관을 편집하는 확산 모형 기반 방법이다. 입력 이미지에 맞는 텍스트 표현을 구하고 모형을 미세 조정해 원래 모습과 목표 변화 사이를 연결한다.
DiffEdit
DiffEdit는 서로 다른 텍스트 조건의 확산 예측을 비교해 수정할 영역의 마스크를 자동으로 만드는 이미지 편집 방법이다. 마스크 안내와 잠재 추론을 결합해 요청에 따른 변화와 원래 내용의 보존을 다룬다.
PnP 확산 특징
PnP 확산 특징은 안내 이미지에서 추출한 공간 특징과 자기 주의를 생성 과정에 주입하는 텍스트 기반 이미지 변환 방법이다. 원본의 의미적 배치를 보존하면서 목표 문장에 맞는 새 이미지를 만든다.
MasaCtrl
MasaCtrl은 확산 모형의 자기 주의를 상호 자기 주의로 바꾸어 원본의 지역 내용과 질감을 활용하는 생성 및 편집 방법이다. 추가 미세 조정 없이 정체성과 질감을 유지하는 비강체 편집을 다룬다.
pix2pix-zero
pix2pix-zero는 텍스트 임베딩 공간의 편집 방향과 교차 주의 안내로 이미지 내용을 바꾸는 방법이다. 원래 구조를 보존하면서 변환하도록 하며 해당 편집을 위한 추가 학습 없이 사전 학습 확산 모형을 활용한다.
Null-text Inversion
Null-text Inversion은 실제 이미지를 텍스트 안내 확산 모형의 생성 과정에 대응시켜 편집하는 역변환 방법이다. 기준 잡음 궤적 주위에서 무조건 텍스트 임베딩을 최적화하고 모형 가중치와 조건 임베딩은 유지한다.
SDEdit
SDEdit는 안내가 담긴 입력 이미지에 잡음을 더한 뒤 확률미분방정식 기반 확산 사전 정보로 잡음을 제거하는 합성 및 편집 방법이다. 입력 충실도와 자연스러움 사이의 균형을 다룬다.
InstructPix2Pix
InstructPix2Pix는 입력 이미지와 수정 지시 문장으로 편집 결과를 만드는 조건부 확산 모형이다. 언어 모형과 이미지 생성 모형으로 만든 편집 예제를 학습하며 사용 시 이미지별 미세 조정이나 역변환을 요구하지 않는다.
Prompt-to-Prompt
Prompt-to-Prompt는 문장을 바꾸면서 원래 생성 이미지의 구조를 유지하도록 교차 주의를 제어하는 편집 방법이다. 단어 교체와 설명 추가, 단어의 반영 강도 조절을 통해 국소 및 전체 편집을 다룬다.
MultiDiffusion
MultiDiffusion은 여러 확산 생성 경로를 공통 매개변수나 제약으로 묶어 이미지를 제어하는 방법이다. 사전 학습 모형의 추가 학습 없이 화면 비율과 영역별 공간 조건을 반영하는 생성을 다룬다.