분류 전체보기263 [2025-1] 조환희 - Flow-based Models 1. 사전지식아래와 같은 식이 있다고 하자.여기서 a는 scale, b 는 bias 이다.이떄 역함수를 표현하는 방법은 아래와 같이 된다.행렬에서도 똑같다.W는 scale 행렬, B는 bias 행렬이다. y = Wx + B 처럼 벡터 공간(행렬)에서 선형변환(Linear Transformation) Wx과 Bias 행렬 B가 더해지는 변환을 Affine Transformation(아핀변환) 이라고 한다. 생성모델을 만들 때 우리는 최대한 특정 y=f(x)와 비슷한 잠재변수 z를 계산해 모델을 만든다. 그럼 아래와 같이 z를 이용해 x와 최대한 닮은 z를 계산할 수 있을 것이다.Flow based 모델은 변수 x를 최대한 잘 표현할 수 있는 잠재변수 z를 계산하는 z = f(x)를 학습하되, f의 역함수 .. 2025. 2. 15. [2025-1] 전윤경-VoxelMorph: A Learning Framework forDeformable Medical Image Registration Introduction변형 정합(deformable registration): 이미지 쌍 간의 조밀하고 비선형적인 대응관계 확립하는 과정전통적인 방법: 각 이미지 쌍에 대한 목적 함수 최적화하는 방식 -> 대규모 데이터셋, 복잡한 변형 모델에서 시간 많이 소요최근 방법: 볼륨 데이터셋을 이용해 학습된 매개변수화된 정합 함수(CNN을 사용하여 구현)를 기반 , 학습단계에서 하나의 전역 최적화 수행voxelmorph: 빠른 학습 기반 pairwise 의료 영상 registration 프레임워크 미분 가능한 목적 함수 비지도 학습 방식: 이미지 강도를 기반으로한 이미지 정합 목적 함수를 최대화하도록 모델 학습학습데이터의 해부학적 분할 정보 활용하여 신경망 매개변수 학습 Background변형 정합 방법(2단.. 2025. 2. 15. [2025-1] 이재호 - Masked Autoencoders Are Scalable Vision Learners https://arxiv.org/abs/2111.06377 - Kaiming He, Xinlei Chen... Masked Autoencoders Are Scalable Vision LearnersThis paper shows that masked autoencoders (MAE) are scalable self-supervised learners for computer vision. Our MAE approach is simple: we mask random patches of the input image and reconstruct the missing pixels. It is based on two core designs. First, wearxiv.org# Abstract이 논문에서는 **Mask.. 2025. 2. 14. [2025-1] 전연주 - RePaint: Free-Form Image Inpainting with DDPM 논문 링크: 2201.09865저자: Andreas Lugmayr, Martin Danelljan, Andres Romero, Fisher Yu, Radu Timofte, Luc Van Gool소속: Computer Vision Lab, ETH Z¨ urich, Switzerland발행일: 2022 8월 31일1. AbstractFree-form Inpainting은 이미지에서 임의의 마스크 영역을 채우는 작업으로, 기존 방법들은 특정 마스크 분포에서 훈련되어 새로운 마스크에 대한 일반화가 어렵다. 또한, 기존의 픽셀 단위 및 perceptual loss 기반 방법은 의미론적으로 자연스러운 생성을 보장하지 못한다.본 논문에서는 RePaint를 제안한다.Denoising Diffusion Probabili.. 2025. 2. 14. 이전 1 ··· 14 15 16 17 18 19 20 ··· 66 다음
