쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 17일 (화)까지4750건
6건 · "디퓨전 모델"조건 지우기 ×
001▲ 13 · 댓글 2휴머노이드 로봇 움직임을 한 번에 조정하는 원스티어 공개원래 움직임을 따르면서도 새로운 목표에 맞추는 `원스티어`라는 원스텝 디퓨전 전신 제어기를 제안했다.AI · 머신러닝 · OneSteer: Unlocking Steerable General Humanoid Motion Tracking via One-Step Diffusion Whole-Body Control

Key Point휴머노이드 로봇이 복잡한 현실 환경에서 주어진 목표를 추적하면서도 새로운 조건(장애물 회피, 높이 제한)에 실시간으로 적응해야 하는 문제를 한 번의 디퓨전 단계로 해결하는 방법을 보여줍니다.
핵심 요약
- 원래 움직임을 따르면서도 새로운 목표에 맞추는 `원스티어`라는 원스텝 디퓨전 전신 제어기를 제안했다.
- 미분 가능한 태스크 비용으로 고정된 가중치를 가진 생성기의 입력 노이즈를 최적화하고, 신체 그룹 참조 마스크로 선택된 추적 요구사항을 완화한다.
- 예측 상태-행동 계획이 태스크 최적화와 피드백 기반 실행을 위한 공유 인터페이스를 제공한다.
전체 요약 7문장 읽기 → 002▲ 111 · 댓글 14텍스트 생성 21배 빨라지는 단계형 모델링 기법디퓨전 언어 모델은 자동회귀 모델보다 빠른 병렬 샘플링을 제공하지만, 샘플링 단계가 적을수록 품질이 급격히 떨어지고 매번 전체 시퀀스를 처리하며 학습 속도가 느린 문제가 있다.AI · 머신러닝 · Next-Concept Modeling: Fast, Parallel Coarse-to-Fine Text Generation

Key Point대규모 모델 추론의 병목인 생성 속도를 10배 이상 높이면서 품질을 유지하는 기법이 나왔으므로, LLM 배포와 실시간 서비스에 영향을 줄 수 있다.
핵심 요약
- 디퓨전 언어 모델은 자동회귀 모델보다 빠른 병렬 샘플링을 제공하지만, 샘플링 단계가 적을수록 품질이 급격히 떨어지고 매번 전체 시퀀스를 처리하며 학습 속도가 느린 문제가 있다.
- Next-Concept Modeling(NCM)은 2단계 코스-투-파인 프레임워크로, 다중 스케일 VQ-VAE가 텍스트를 이산 코드의 계층으로 인코딩하고 트랜스포머가 각 단계마다 한 수준씩 병렬로 생성한다.
- LM1B 벤치마크에서 NCM은 가장 강력한 디퓨전 모델보다 나은 생성 복잡도를 달성하면서 21배 빠르게 동작한다.
전체 요약 5문장 읽기 → 003▲ 11 · 댓글 2학습 없이 사진 속 글을 번역하는 FlowTranslator이미지 속 텍스트를 그 번역본으로 바꾸면서 주변 시각 정보는 그대로 유지하는 인-이미지 기계번역(IIMT) 문제를 다룬다.AI · 머신러닝 · FlowTranslator: Training-Free In-Image Machine Translation with Flow-Based Editing

Key Point학습 데이터 없이도 다국어 T2I 모델의 능력을 활용해 이미지 속 텍스트 번역이 가능함을 보여주는 실용적 접근법이다.
핵심 요약
- 이미지 속 텍스트를 그 번역본으로 바꾸면서 주변 시각 정보는 그대로 유지하는 인-이미지 기계번역(IIMT) 문제를 다룬다.
- 기존 작업 특화 모델들은 번역 전후의 대량 쌍 이미지로 학습해야 하지만, FlowTranslator는 학습 없이 동작한다.
- OCR 모델과 LLM으로 번역 프롬프트를 생성한 뒤 T2I(텍스트-투-이미지) 기반 디퓨전 모델에 주입하는 방식을 사용한다.
전체 요약 6문장 읽기 → 004▲ 256 · 댓글 4디퓨전 언어 모델의 강화학습을 위한 토큰 신용 할당디퓨전 언어 모델(DLM)은 반복 제거(denoising)로 텍스트를 생성하며 양방향 문맥 모델링과 병렬 토큰 정제가 가능하다.AI · 머신러닝 · DTCA: Denoising Token Credit Assignment for Reinforcement Learning in Diffusion Language Models

Key Point디퓨전 모델 기반 언어 모델에 강화학습을 효과적으로 적용하는 방식이 제시되었으며, 토큰별 신용 할당 문제를 해결함으로써 수학 추론 성능에서 실질적 개선을 보였다.
핵심 요약
- 디퓨전 언어 모델(DLM)은 반복 제거(denoising)로 텍스트를 생성하며 양방향 문맥 모델링과 병렬 토큰 정제가 가능하다.
- DLM에 강화학습을 적용하면 추론 성능이 개선되지만, 반복 제거 과정에서 토큰별 신용 할당이 어렵다는 문제가 있다.
- 제안된 DTCA(Denoising Token Credit Assignment) 프레임워크는 토큰 약속 후 남은 마스크 위치의 예측 신뢰도 개선으로 토큰 기여도를 추정한다.
전체 요약 6문장 읽기 → 005▲ 24 · 댓글 5생성형 이미지 모델 성능 끌어올리는 표현 학습법픽셀 디퓨전 트랜스포머 연구를 통해 좋은 표현 품질이 생성 능력으로 직결되지 않음을 발견했다.AI · 머신러닝 · Learning Representations to Guide Pixel Diffusion Transformers

Key Point이미지 생성 모델의 표현 학습 방식을 근본적으로 재정의하고, 매개변수를 줄이면서도 현저히 나은 생성 품질을 달성하는 방법론이 제시되었다.
핵심 요약
- 픽셀 디퓨전 트랜스포머 연구를 통해 좋은 표현 품질이 생성 능력으로 직결되지 않음을 발견했다.
- 생성 과정에서 외부 시맨틱 정보가 점진적으로 손실되며, 특화 디코더 구조도 표현 개선으로 이어지지 않는다.
- 효과적인 생성형 표현은 올바르게 형성되고 능동적으로 활용되어야 한다는 인사이트를 도출했다.
전체 요약 8문장 읽기 → 006▲ 12 · 댓글 2픽셀 디퓨전 모델에 적대적 학습 추가로 고주파 품질 개선픽셀 디퓨전 모델은 오토인코더 병목을 피해 RGB 이미지를 직접 생성하지만, 미세한 자연 이미지 통계를 체계적으로 과소 표현하는 문제가 있다.AI · 머신러닝 · Adversarial Training for Pixel Diffusion

Key Point픽셀 디퓨전이 기존 오토인코더 기반 모델의 문제를 우회한다는 점에서 더 직접적인 방식이었으나, 미세한 디테일 손실 문제를 적대적 학습으로 해결할 수 있음을 보여주는 실질적 개선 방법이기 때문입니다.
핵심 요약
- 픽셀 디퓨전 모델은 오토인코더 병목을 피해 RGB 이미지를 직접 생성하지만, 미세한 자연 이미지 통계를 체계적으로 과소 표현하는 문제가 있다.
- 연구팀은 사전학습된 모델에 적대적 손실을 더해 이 결함을 보정하는 방법을 제시했다. 원래 확산 또는 플로우 매칭 목표를 유지하면서 비고노이즈 타임스텝에서만 적대적 손실을 예측 출력에 추가한다.
- 모델 아키텍처와 샘플링 절차는 변경하지 않으며, 픽셀 디퓨전의 적대적 사후학습에 대한 첫 체계적 연구다.
전체 요약 9문장 읽기 →