PyTorchKR Papers

업데이트된 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17342v3cs.CV

디퓨전을 이용한 시각 텍스처 최대 엔트로피 모델 학습

Learning a Maximum Entropy Model for Visual Textures using Diffusion

시각적 텍스처, 즉 반복되는 요소를 포함하는 공간적으로 균질한 이미지 영역(예: 풀밭, 나무껍질)은 시각 장면에 어디에나 존재하며 재질, 표면 기하, 객체를 인식하고 분석하는 데 중요한 단서를 제공한다. 기존의 여러 텍스처 모델은 단일 텍스처 이미지에서 핵심 통계량을 추출하고, 이 통계량을 맞춤으로써 원본과 시각적으로 유사한 고품질 샘플을 생성할 수 있다. 그러나 이들의 통계량은 직접 설계되었거나 다른 목적(예: 객체 인식)을 위해 사전 학습된 네트워크에 기반한다. 본 연구에서는 텍스처에 대한 최대 엔트로피 확률 모델을 제약하는 데 사용되는 통계량 집합을 비지도 방식으로 학습하는 최초의 원리적 방법을 개발한다. 우리는 생성적 확산 모델을 위해 개발된 방법을 활용하여 학습 및 샘플링 절차를 도출하고, 이를 통계량을 맞추어 샘플링하는 전통적 방법과 비교한다. 학습된 모델이 간결함(통계량 512개)에도 불구하고, 현재 최첨단 모델(약 177k개 통계량)과 비교해 시각적으로나 DreamSim을 이용한 정량적 지각 점수로나 동등하거나 더 나은 품질의 텍스처 이미지를 생성한다. 마지막으로, 서로 다른 두 참조 텍스처에 해당하는 매개변수 벡터를 잇는 직선 위의 매개변수로 생성한 이미지가 두 참조의 특징 사이에서 부드럽게 전이되는 균질한 텍스처임을 보인다.