전체 글407 [2026-1] 김지은 - Denoising Diffusion Implicit Models 본 글에서는 DDPM(NeurIPS 2020)의 Markovian diffusion 구조로 인해 reverse sampling이 순차적 과정을 요구하는 한계를 살펴보고, 이를 non-Markovian inference 구조로 일반화하여 빠른 deterministic sampling을 가능하게 한 DDIM(ICLR 2021)을 살펴본다. 1. IntroductionDDPM의 generative process는 forward diffusion을 거꾸로 따라가는 구조다. 따라서 1) sampling에 수천 번의 sequential iteration 필요하고 2) 병렬화가 어렵다. DDIM은 “Diffusion 모델의 샘플링을 더 빠르게 만들 수는 없을까?”의 문제 의식에서 출발한 논문이다. 이 논문은 DDPM.. 2026. 2. 7. [2026-1] 백승우 - Self-Improving Pretraining:using post-trained models to pretrain better models Self-Improving Pretraining: using post-trained models to pretrain better modelsEnsuring safety, factuality and overall quality in the generations of large language models is a critical challenge, especially as these models are increasingly deployed in real-world applications. The prevailing approach to addressing these issues involvearxiv.org 2026. 2. 4. [2026-1] 이루가 - High-Resolution Image Synthesis with Latent Diffusion Models 논문 링크: https://arxiv.org/abs/2112.10752 High-Resolution Image Synthesis with Latent Diffusion ModelsBy decomposing the image formation process into a sequential application of denoising autoencoders, diffusion models (DMs) achieve state-of-the-art synthesis results on image data and beyond. Additionally, their formulation allows for a guiding mechanism tarxiv.org 확산모델(Diffusion)의 고성능은 유지하면서 계산비용.. 2026. 1. 31. [2025-2] 김효민 - U-Net: Convolutional Networks for Biomedical Image Segmentation 본 글에서는 U-Net의 구조를 상세히 다루고 있으며, U-Net++에 대해서도 간단히 다루고 있다.본 글은 U-Net 논문과 기타 기술블로그를 참고하여 작성한 글이다. 다음은 U-Net 논문의 링크이다. U-Net: Convolutional Networks for Biomedical Image SegmentationThere is large consent that successful training of deep networks requires many thousand annotated training samples. In this paper, we present a network and training strategy that relies on the strong use of data augmenta.. 2026. 1. 31. 이전 1 ··· 5 6 7 8 9 10 11 ··· 102 다음
