Papers with Code 아카이브
Image Generation
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 23
- 평가표
- 93
- 보존된 평가 기록
- 870
Image Generation (synthesis) is the task of generating new images from an existing dataset.
- Unconditional generation refers to generating samples unconditionally from the dataset, i.e. $p(y)$
- Conditional image generation (subtask) refers to generating samples conditionally from the dataset, based on a label, i.e. $p(y|x)$.
In this section, you can find state-of-the-art leaderboards for unconditional generation. For conditional generation, and other types of image generations, refer to the subtasks.
<span style="color:grey; opacity: 0.6">( Image credit: StyleGAN )</span>
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
MMOE: 효율적 전문가 설계를 통한 확산 트랜스포머의 현대화
DreamStyle3D: 이중 어텐션 분리를 통한 효율적인 3D 스타일화 에셋 생성
소아 골격 트리아지를 위한 인공지능 기반 적외선 영상: 서술적 리뷰와 향후 전망
MicroZoom: 극한 스케일에서 구조를 보존하는 세부 합성
확산 모델을 이용한 개념 기반 시각적 반사실적 설명
DriftXpress: 투영 RKHS 필드를 통한 고속 드리프팅 모델
예술을 위한 확산 모델 언박싱: 인터랙티브 모델 벤딩과 실천 기반 설명 가능성
TILT: 모델 내재 보상으로 확산 모델의 구성적 생성 개선
FrED: 도메인 지식 그래프 그라운딩을 통한 외부 데이터 영향 추정
AI 통합 과학 탐구: 과학 교육을 위한 실천 중심 비전
NWaaS: 적응형 자원 스케줄링을 갖춘 비침습적 프라이버시 보존 워터마킹-as-a-Service 시스템
디퓨전 모델을 이용한 심장 볼륨 재구성을 위한 잠재 공간 보간 학습
색을 정확하게: 지각적 색 공간과 텍스트 임베딩의 연결을 통한 확산 생성 개선
Delving into Latent Spectral Biasing of Video VAEs for Superior Diffusability
GeoDiff-SAR: 기하학적 사전정보 기반 SAR 영상 생성 확산 모델
Oxygen-TryOn: 모든 아이템 가상 착용을 위한 패션 특화 기반 모델
두상경부암 3차원 CT-PET 합성을 위한 핫스폿 유도 융합 이중 경로 프레임워크
의료 영상 인페인팅에서의 확산 모델: 과제, 해결책 분류체계 및 향후 방향
확산 모델의 노출 바이어스(exposure bias) 감소를 위한 스펙트럴 사전
InnoText: 시각 텍스트 생성 및 편집을 위한 통합 모델
dRAE: 초구면 코드를 사용하는 표현 오토인코더
확산 모델을 위한 상관관계 인식 및 가우시안성 보존 강건 잠재 각도 워터마킹
Twins: Focal Loss로 통합 표현 예측 학습
포지션: 자연어는 형식 언어를 완전히 대체해서는 안 된다
원자에서 엔트로피까지: 볼록 영역에서 확산 학습을 위한 최적 노이즈 할당
CycleGAN 및 반사실-분류기 정렬 점수를 활용한 망막 질환 분류를 위한 반사실 설명 가능성 프레임워크
평균-점수 이산 확산: Score Entropy를 위한 사후 평균 디노이저
KroQuant: Diffusion Transformer의 효율적 사후 학습 양자화를 위한 Kronecker 구조 블록 변환
확장 Flow Map
효율적인 확산 모델 미세조정을 위한 소스 프라이어 기반 선택적 적응
Trainable Log-linear Sparse Attention for Efficient Diffusion Transformers
SuperFlow: Training Flow Matching Models with RL on the Fly
EmoSpace: Immersive Affective Image Generation Guided by Fine-Grained Emotion Prototypes
ELT: Elastic Looped Transformers for Visual Generation
When Does High-CFG Diffusion Inversion Fail? A Controlled Study of Prompt--Latent Interactions
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.