PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19912v1math.NA

푸아송-넌스트-플랑크 및 푸아송-넌스트-플랑크-나비에-스토크스 시스템을 위한 구조 지향 랜덤 신경망

Structure-Oriented Randomized Neural Networks for Poisson-Nernst-Planck and Poisson-Nernst-Planck-Navier-Stokes Systems

우리는 푸아송-넌스트-플랑크(PNP) 시스템과 푸아송-넌스트-플랑크-나비에-스토크스(PNP-NS) 시스템을 위해 SO-RaNN이라 불리는 구조 지향 랜덤 신경망 프레임워크를 개발합니다. 비결합 선형화 부분 문제들은 시공간 프레임워크 내에서 랜덤 신경망에 의해 반복적으로 해결됩니다. 농도 변수의 경우, 값 수준에서 양성을 강제하기 위해 점별 컷오프가 사용되며, 선택된 보정 시점에서 이산 질량 스케일링 인자가 계산되고 시간에 따라 보간되어, 해당 시점에서 정확한 질량 일치를 보장하고 그 사이의 근사적인 질량 보존을 촉진합니다. 보조 이산 소산 메커니즘을 도입하기 위해, 우리는 SAV 유형 후처리 보정을 추가로 사용하며, 이는 이상적인 SAV 업데이트 하에서 SAV 보조 변수의 단조성을 산출합니다. PNP-NS 시스템의 경우, 속도장에 대해 구조 보존 랜덤 신경망(SP-RaNN)이 사용되어, 속도 근사가 구조적으로 점별 비압축성 제약 조건을 만족하도록 합니다. 이론적 측면에서, 우리는 선형화 부분 문제의 원시(보정되지 않은) RaNN 솔버에 대한 잔차 기반 추정을 도출하고, PNP 시스템의 원시 외부 피카르 반복에 대한 조건부 시간 국소 수렴 결과를 공식화하며, 질량 보정 및 SAV 후처리 단계와 함께 값 수준 양성 보정을 분석합니다. PNP-NS 시스템의 경우, 우리는 SP-RaNN 공간에 대한 근사 결과를 확립하고 해당 선형화된 오센 유형 문제에 대한 조건부 오차 명제를 제공합니다. 수치 실험은 소스 기반 제조 테스트에서 근사 정확도를 입증하고, 의도한 값 수준 양성 보정, 선택된 시간 질량 일치, 최종 게이지 고정 전위에 기반한 계산된 자유 에너지 곡선, 그리고 벤치마크 테스트에서의 발산 없는 근사를 보여줍니다.

arXiv:2605.30437v2cs.CV

구조적 정제를 통한 GenAI 이미지 편집의 콘텐츠 변화 및 환각 완화

Mitigating Content Shift and Hallucination in GenAI Image Editing via Structural Refinement

생성형 AI(GenAI) 이미지 편집기(예: Nano Banana)는 리터칭 작업에서 시각적으로 설득력 있는 결과를 생성하여, 비전문가도 텍스트 프롬프트만으로 이미지를 편집할 수 있게 한다. 그러나 이러한 모델의 생성적 특성은 종종 공간적 정렬 오차, 질감 왜곡, 콘텐츠 환각을 유발하며, 이는 모두 픽셀 수준의 충실도가 요구되는 하류 워크플로에 해롭다. 블랙박스 GenAI 이미지 리터칭에 대해 우리는 "구조 보존 GenAI 융합(structure-preserving GenAI fusion)"이라 부르는 문제 설정을 정의한다: GenAI 출력의 지각적 향상을 유지하면서 원본 입력 이미지에 대한 구조적 충실도를 강제한다. 이 문제를 해결하기 위해, 우리는 먼저 거친 공간적 및 광도적 대응을 확립한 다음 원하는 향상을 전달하면서 환각된 콘텐츠를 억제하는 융합 단계를 수행함으로써 입력 이미지와 GenAI 향상 버전을 융합하는 사후처리(post-processing) 프레임워크를 제안한다. 이 설정에서 직접적인 선행 연구가 부재하기 때문에, 우리는 사실적 스타일 전달(photorealistic style transfer) 및 이미지 융합(image fusion) 분야의 대표적인 방법들과 프레임워크를 비교 평가한다. 실험 결과, 제안 방법은 픽셀 수준의 구조적 일관성과 입력 해상도를 유지하면서 미적 품질을 더 잘 보존함을 보여준다.