[17′ NIPS] Transformer : Attention Is All You Need
Transformer 논문의 핵심 내용을 살펴봅니다. Transformer의 구조, Self Attention의 힘, 그리고 실제 실험 결과를 소개합니다. Transformer의 장단점과 중요성도 함께 알아봅니다.
딥러닝
[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.
Diffusion Model 설명 – 기초부터 응용까지
Diffusion Model의 기초부터 응용까지 살펴봅니다. 기초 부분에서는 Diffusion Model의 동작 방법, Architecture, Loss Function을 살펴봅니다. 응용 부분에서는 다양한 Diffusion Model을 알아봅니다.
