[23′ ICCV] ControlNet : Adding Conditional Control to Text-to-Image Diffusion Models
텍스트-이미지 변환 모델의 한계를 극복하는 ControlNet을 소개합니다. 이미지 조건부 입력을 통해 더 정밀한 이미지를 생성하며, 향상된 제어력과 안정적인 학습을 제공합니다. Stable Diffusion에 적용된 사례와 장단점을 자세히 다룹니다.
Diffusion Model
[22′ ICLR] SDEDIT: GUIDED IMAGE SYNTHESIS AND EDITING WITH STOCHASTIC DIFFERENTIAL EQUATIONS
SDEdit은 확률적 미분 방정식을 활용해 사용자 입력을 기반으로 현실적이고 고화질의 이미지를 생성하고 편집하는 모델입니다. 이 논문 리뷰글은 SDEdit의 원리와 장단점을 쉽게 설명하며, 추가 학습 없이 다양한 작업에 적용할 수 있는 이 혁신적인 도구를 소개합니다.
[23′ CVPR] GLIGEN: Open-Set Grounded Text-to-Image Generation
GLIGEN 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 GLIGEN의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 GLIGEN의 효과를 확인합니다.
[22′ CVPR] Stable Diffusion : High-Resolution Image Synthesis with Latent Diffusion Models
Stable Diffusion 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Stable Diffusion의 효과를 확인합니다.
[22′ arxiv] DALLE2 : Hierarchical Text-Conditional Image Generation with CLIP Latents
DALLE2 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 DALLE2의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 DALLE2의 효과를 확인합니다.
[22′ NIPS] Imagen : Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding
Imagen 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 Imagen의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Imagen의 효과를 확인합니다.
[22′ PMLR] GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
GLIDE 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 GLIDE의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 GLIDE의 효과를 확인합니다.
[23′ PAML] SR3 : Image Super-Resolution via Iterative Refinement
SR3 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 SR3의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 SR3의 효과를 확인합니다.
[21′ NIPS workshop] Classifier Free Guidance : Classifier-free diffusion guidance
Classifier Free Guidance 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 효과를 확인합니다.
[22′ NIPS] Classifier Guidance : Diffusion Models Beat GANs on Image Synthesis
Classifier Guidance 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Classifier Guidance의 효과를 확인합니다.
