PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14580v1cs.CV

고급 이미지 생성: 네거티브 프롬프트 최적화 및 잠재 공간 분류기 가이던스

Advanced Image Generation: Negative Prompt Optimization and Latent Classifier Guidance

우리는 파인튜닝된 시퀀스-투-시퀀스 LLM을 통한 네거티브 프롬프트 최적화와 잠재 공간 분류기 가이던스를 통합하여 Stable Diffusion이 생성하는 이미지의 품질을 향상시키는 새로운 시스템을 제안한다. 우리 접근법은 최적화된 네거티브 프롬프트를 자동으로 생성하고, CNN-RNN 하이브리드 분류기를 사용해 확산 단계를 평가·가이드하며 품질이 낮은 잠재 업데이트를 롤백한다. 실험 결과, 우리의 이중 가이던스 프레임워크는 기준선 확산 대비 아티팩트를 줄이고 의미적 충실도를 향상시킨다.

arXiv:2606.20457v1eess.AS

가이드 디퓨전 기반 음성 생성을 위한 음성 분류기 재활용

Repurposing a Speech Classifier for Guided Diffusion-Based Speech Generation

분류기 가이던스(Classifier guidance)는 노이즈 조건부 분류기(noise-conditioned classifier)를 사용하여 샘플링 과정을 타겟 클래스(target class)로 유도함으로써 디퓨전 생성을 제어하는 방법입니다. 분류기 가이던스의 단점 중 하나는 분류기와 디퓨전 모델(diffusion model)이라는 두 개의 별도로 학습된 모델이 필요하다는 것입니다. 따라서 우리는 기존 방식으로 학습된 음성 분류기를 디퓨전 생성의 백본(backbone)으로 재활용하는 더욱 컴팩트한 대안을 연구합니다. Log-Mel 공간의 고정된 노이즈 조건부 분류기에서 시작하여, 분류기 중간 표현을 재사용하는 경량 서브네트워크를 연결하고 Denoising Score Matching 목적 함수 하에서 이 서브네트워크만 학습합니다. 우리의 연구는 사전학습된 분류기가 조건부 생성을 위해 재활용될 수 있음을 보여주며, 이는 판별 모델링(discriminative modeling)과 조건부 음성 합성 사이의 매력적인 가교를 제공합니다. 그 결과 단일 백본 모델 내에서 높은 음성 품질을 달성하면서 메모리 사용량과 계산 비용을 줄일 수 있습니다.

arXiv:2606.13347v1cs.LG

수정된 역 확산 샘플링을 통한 분류기 유도 확산 모델의 저밀도 영역 탐험 강화

Enhanced Low-Density Region Exploration in Classifier-Guided Diffusion Models Through Modified Reverse Diffusion Sampling

분류기 기반 확산 모델(classifier-guided diffusion models)이 희귀 샘플을 잘 생성하지 못하는 문제를 해결하기 위해, 추가 학습 없이 샘플링 단계에서 역 확산 동역학을 수정하여 저밀도 영역을 탐색하고 실제 이미지를 향해 유도하는 방법을 제안한다. 이 방법은 ImageNet에서 FID를 유지하면서 리콜(recall)을 향상시키고, 고해상도에서도 고품질 샘플을 생성함을 입증했다.