PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02210v1cs.CV

무어, 에셔, 펜로즈: 등각 골든 브레이드

Moore, Escher, Penrose: A Conformal Golden Braid

"내 평생 이렇게 기이한 작업을 해본 적이 없는 것 같다. 무엇보다도, 이 작품은 자기 자신이 등장하는 전시회 벽면의 판화를 흥미롭게 바라보는 한 젊은 남성을 보여준다. 어떻게 이런 일이 가능할까? 어쩌면 나는 아인슈타인의 휜 우주에서 그리 멀지 않은 곳에 있는지도 모른다." M.C. 에셔(M.C. Escher)는 자신의 1956년 석판화 '판화 회랑(Print Gallery)'에 대해 이렇게 썼다. 거의 반세기 후, 한 수학적 분석은 등각 거듭제곱 사상(conformal power map) $z \mapsto z^α$, $α\in \mathbb{C}$를 통해 이 기하학을 왜곡되지 않은 원본 이미지와 연결했다. 이러한 구조를 기반으로, 본 연구는 가중치가 동결된 텍스트-투-이미지 확산 모델(diffusion model)을 활용하여 새로운 자기참조적 장면을 생성한다. 프롬프트(prompt)만으로는 이러한 재귀성을 강제할 수 없으며, 사후 변환은 구조 간 연결을 부자연스럽게 남길 수 있다. 샘플링 중에 변환을 적용하는 것 또한 불충분한데, 디노이저(denoiser)가 의도된 왜곡을 "복구"해 버리거나 규정된 기하학에서 벗어날 수 있기 때문이다. 이에 본 연구는 재귀적 제약 조건에 적합하도록 비가역 이미지 변환 $T$의 일반화 역원(generalized inverse) $T^\dagger$를 구성한다. 이상적인 정식화에서 펜로즈 항등식(Penrose identity) $TT^\dagger T = T$는 $TT^\dagger$를 기하학적으로 허용 가능한 이미지로 사영하는 멱등 사영(idempotent projection)으로 만든다. 그러나 변환된 이미지만을 디노이징하는 것은 사영을 거치더라도 여전히 분포 외(out-of-distribution) 작업으로 남는다. 따라서 본 연구는 디노이징 단계를 $T$ 및 $T^\dagger$와 엮어내는 방식을 취한다. 원본 공간의 단계는 왜곡되지 않은 장면을 발전시키고, 변환된 공간의 단계는 최종 기하학에서의 외형과 연결성을 정교화한다. 이를 통해 '판화 회랑' 형태의 구성을 생성하고 추가적인 변환들을 탐색한다. 완성된 이미지를 왜곡하는 대신, 장면과 그 왜곡이 함께 생성되도록 유도한다.

arXiv:2606.20684v1cs.CV

구면 Möbius 부스트를 이용한 360도 전단 없는 뷰포트 확대

Shear-Free Viewport Magnification for 360-Degree via Spherical Mobius Boosts

뷰포트 적응형 360도 영상은 고정된 샘플링 예산을 시청자가 관찰할 가능성이 높은 영역에 할당하려고 한다. 기존의 뷰 편향 투영은 비등각(non-conformal) 왜곡을 통해 뷰포트 해상도를 높이며, 이는 이방성(anisotropic) 신장과 전단(shear)을 유발할 수 있다. 우리는 고정 예산 뷰포트 확대를 위해 구면 Möbius 부스트를 정확한 등각(conformal) 사상으로 공식화한다. 연속적인 구면 왜곡은 준등각(quasiconformal) 팽창률 K = 1을 가지며, 국소 각도를 보존하면서 목표 방향으로 샘플을 재할당한다. 72개의 파노라마와 216개의 쌍을 이루는 뷰포트 목표를 포함한 SUN360 saliency 감사에서, C1 Möbius 부스팅은 모든 쌍에 대해 최적화된 offset cubemap 대비 뷰포트 PSNR을 개선하며, 사례 수준 중앙값 이득 +3.26 dB, 이미지 수준 중앙값 이득 +3.23 dB, 파노라마 수준 부트스트랩 95% CI [+3.15, +3.33] dB를 보인다. Pareto 분석은 이것이 전역 품질의 무상향 개선이 아님을 보여준다: C1은 전단 없는 뷰포트 충실도를 위해 전구 WS-PSNR을 교환한다. 예측 오차 및 필터링 연구는 작동 영역을 규명한다: 강한 부스트는 정확히 타깃팅된 뷰포트에 유용하고, 목표 불확실성이 클 때는 더 약한 부스트나 폴백(fallback)이 필요하다. 이러한 결과는 Möbius 부스팅을 범용적인 한 번 인코딩(encode-once) 레이아웃이 아니라, 예측 조건 foveated 360도 리샘플링을 위한 기하학적 원시 연산으로 자리매김한다.