A survey of exemplar-based texture synthesis
원문 초록
Exemplar-based texture synthesis is the process of generating, from an input sample, new texture images of arbitrary size and which are perceptually equivalent to the sample. The two main approaches are statistics-based methods and patch re-arrangement methods. In the first class, a texture is characterized by a statistical signature; then, a random sampling conditioned to this signature produces genuinely different texture images. The second class boils down to a clever "copy-paste" procedure, which stitches together large regions of the sample. Hybrid methods try to combine ideas from both approaches to avoid their hurdles. The recent approaches using convolutional neural networks fit to this classification, some being statistical and others performing patch re-arrangement in the feature space. They produce impressive synthesis on various kinds of textures. Nevertheless, we found that most real textures are organized at multiple scales, with global structures revealed at coarse scales and highly varying details at finer ones. Thus, when confronted with large natural images of textures the results of state-of-the-art methods degrade rapidly, and the problem of modeling them remains wide open.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
야생에서의 보안 및 프라이버시 프롬프트: 사용자가 LLM에게 묻는 내용과 LLM의 응답 방식
Security and Privacy Prompts in the Wild: What Users Ask LLMs and How LLMs Respond
AI 샌드박스: 위협 모델, 분류 체계 및 측정 프레임워크
AI Sandboxes: A Threat Model, Taxonomy, and Measurement Framework
AI 샌드박스는 소프트웨어 도구, 네트워크로 연결된 장치, 또는 물리적 액추에이터를 통해 작동할 수 있는 시스템에 대한 증거를 생산한다. 이 증거의 해석은 실험의 경계에 달려 있다. 우리는 샌드박스 장치를 정의하고, 서로 겹치는 다섯 가지 원형을 구분하며, 주장 상대적인 측정 차원 열다섯 가지를 명시한다. 최약 고리 허가 규칙(weakest-link licensing rule)은 배치 주장을 가장 약한 필수 증거 차원 수준으로 제한한다. 우리는 이 규칙을 외부로의 피해와 평가 장치의 훼손을 모두 다루는 위협 모델과 연결하고, 주행, 산업 제어, 도구를 사용하는 에이전트, 비전-언어-행동 조작을 아우르는 네 가지 실제 사례에 적용한다. 또한 필요한 산출물을 표준 및 규제 수단에 대응시킨다. 이 프레임워크는 제한된 실험이 어떤 주장을 뒷받침하는지, 그 통제가 어떤 실패를 억제하는지, 그리고 배치 이전에 어떤 가정이 추가 검증을 필요로 하는지를 식별한다.
AGI에서 ASI로
From AGI to ASI
지난 10년간 인간 수준의 인공 일반 지능을 구축하는 일은 터무니없는 추측에서 대규모 AI 조직 다수의 구체적인 향후 10년 목표로 바뀌었다. 이 목표를 달성하면 인간 사회에 깊고 광범위한 영향을 미칠 것이며, 이는 향후 10년에 대해 많은 복잡한 질문을 제기한다. 본 보고서는 기계 지능의 연속체를 따라 AGI 이후 세계에서 AI 자체가 어떻게 계속 발전할 수 있는지를 탐구한다. 이 연속체의 종착점인 범용 AI(Universal AI)는 이론적으로 잘 이해되어 있어, 보고서의 주된 초점인 인간 수준 AGI에서 인공 일반 초지능으로의 전환에 형식적 토대를 제공한다. 인공 일반 초지능은 직관적으로 인간의 대규모 조직보다 더 지능적이고 인지적으로 유능한 시스템으로 이해할 수 있다. 보고서는 ASI를 특징지은 뒤 AGI에서 ASI로 가는 네 가지 잠재적 경로, 즉 AGI의 규모 확장, AI 패러다임 전환, 대규모 다중 에이전트 집단에서 ASI의 출현, 재귀적 개선을 논한다. 이어서 이러한 경로를 따라 나타날 수 있는 마찰과 병목을 논의한다. 이러한 마찰의 영향이 무시할 만한지 상당한지를 판단하는 일은 여러 구체적인 미해결 연구 질문을 제기한다. ASI 진전을 예측하는 데에는 큰 불확실성이 남아 있지만, 향후 몇 년간 AI의 진전이 계속 가속될 가능성을 배제할 수 없다. 이는 인간 수준 AGI의 사회 도입으로 인한 단일하고 변혁적인 단계적 변화라는 그림이 부정확할 수 있음을 시사한다. 오히려 과학과 기술의 여러 분야에서 AI가 가능하게 한 진전과 돌파구로 인해 일련의 변혁적 사회 변화가 일어나는 전망이 더 적절할 수 있다. 이러한 전망에 대비하려면 전 지구적 범위와 관심을 가진 대규모 학제 간 노력이 필요하다.
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.
영향력 있는 다원주의적 정렬 연구를 위한 로드맵
A Roadmap to Impactful Pluralistic Alignment Research
책임 있는 AI에 관한 많은 연구는 수십억 명이 사용하는 AI 시스템의 행동을 바꾸는 것을 목표로 한다. 다양한 인간의 가치와 관점을 대표하고 이에 기여하는 AI 시스템을 구축하는 것을 목표로 하는 다원적 가치 정렬은 이러한 활발한 연구 의제 중 하나로 부상했다. 그러나 주요 프론티어 연구소와 오픈 웨이트 개발자를 감사한 결과, 다원적 정렬이 이들 모델의 학습이나 평가 방식에 영향을 미쳤다는 공개적 증거를 찾을 수 없었다. 다원적 정렬은 주요 목표를 달성하려면 실제 도입이 필요하므로, 우리는 세 가지 장벽을 규명하고 각각을 해결하기 위한 연구 로드맵을 제시한다. 1. 지금까지 다원적 정렬의 정당화는 대부분 규범적이거나 이론적이다. 다원적 AI가 사용자와 사회에 주는 이점과 단점을 측정하는 연구가 필요하다. 2. 다원적 정렬 연구 커뮤니티는 다원적 행동이 언제 정당화되는지, 그리고 실제로 어떤 모습이어야 하는지에 대해 합의하지 못했다. 개발자가 이를 구현할 수 있을 만큼 구체적으로 이 행동을 명세하는 연구가 필요하다. 3. 기존의 다원주의 평가와 방법은 배포할 준비가 되어 있지 않다. 다른 모델 특성에 미치는 영향을 보고하고 프로덕션 시스템의 요구 사항을 충족하는 평가와 방법이 필요하다. 이러한 장벽은 다원적 정렬에만 해당하지 않으므로, 우리의 로드맵은 유사한 변화 이론을 가진 책임 있는 AI 연구의 다른 분야에도 적용된다. 사람들이 더 많은 의사결정을 AI 시스템에 맡기고 AI 에이전트가 사람을 대신해 행동하는 만큼, 우리는 이 로드맵이 해당 연구가 그러한 결정을 내리는 배포된 모델에 도달하도록 돕기를 바란다.
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
토론
이 논문과 연결된 포럼 글이 아직 없습니다.