AI 연구 논문 데일리

번역이 포함된 일일 선별된 AI 연구 논문

ROICtrl: 시각 생성을 위한 인스턴스 제어 강화
ROICtrl: Boosting Instance Control for Visual Generation

Nov 27, 2024

Yuchao Gu, Yipin Zhou, Yunfan Ye, Yixin Nie, Licheng Yu, Pingchuan Ma, Kevin Qinghong Lin, Mike Zheng Shou

712

자연어는 종종 여러 인스턴스에 위치 및 속성 정보를 정확하게 연관시키기 어려워서 현재의 텍스트 기반 시각 생성 모델이 주로 몇 가지 주요 인스턴스만 포함하는 간단한 구성물로 제한됩니다. 이 한계를 극복하기 위해 본 연구는 확산 모델을 개선하여 각 인스턴스가 바운딩 박스와 자유 형식의 캡션과 함께 제어되는 지역 인스턴스 제어를 도입합니다. 이 분야의 이전 방법은 일반적으로 암시적 위치 인코딩이나 명시적 주의 마스크를 사용하여 관심 영역(ROIs)을 분리하는데 의존하는데, 이는 부정확한 좌표 주입 또는 대규모 계산 오버헤드로 이어집니다. 물체 탐지에서 ROI-Align에서 영감을 받아 ROI-Unpool이라는 보완적 작업을 소개합니다. ROI-Align과 ROI-Unpool을 함께 사용하면 시각 생성을 위한 고해상도 특성 맵에서 명시적이고 효율적이며 정확한 ROI 조작이 가능해집니다. ROI-Unpool을 기반으로, 사전 학습된 확산 모델에 대한 정확한 지역 인스턴스 제어를 가능하게 하는 ROICtrl을 제안합니다. ROICtrl은 커뮤니티에서 세밀하게 조정된 확산 모델뿐만 아니라 기존의 공간 기반 애드온(ControlNet, T2I-Adapter) 및 임베딩 기반 애드온(IP-Adapter, ED-LoRA)과도 호환되어 다중 인스턴스 생성에 대한 응용을 확장합니다. 실험 결과 ROICtrl이 지역 인스턴스 제어에서 우수한 성능을 달성하면서 계산 비용을 크게 줄였음이 입증되었습니다.

교차되는 텍스트 및 이미지 생성을 위한 교차된 장면 그래프 평가
Interleaved Scene Graph for Interleaved Text-and-Image Generation Assessment

Nov 26, 2024

Dongping Chen, Ruoxi Chen, Shu Pu, Zhaoyi Liu, Yanru Wu, Caixi Chen, Benlin Liu, Yue Huang, Yao Wan, Pan Zhou, Ranjay Krishna

192

많은 실제 사용자 쿼리(예: "계란 볶음밥을 어떻게 만들까요?")는 텍스트 단계와 이미지를 동반한 응답을 생성할 수 있는 시스템에서 혜택을 받을 수 있습니다. 이러한 모델은 쿡북과 유사하게 텍스트 단계와 이미지를 함께 생성하는 것을 목표로 하며, 이러한 모달리티 내에서 일관성을 보장하는 데 어려움을 겪습니다. 이러한 어려움을 해결하기 위해 우리는 ISG라는 상호 텍스트 및 이미지 생성을 위한 포괄적인 평가 프레임워크를 제시합니다. ISG는 텍스트와 이미지 블록 간의 관계를 포착하기 위해 씬 그래프 구조를 활용하며, 전체적, 구조적, 블록 수준 및 이미지별 네 가지 세부 수준에서 응답을 평가합니다. 이 다층 평가를 통해 일관성, 일관성 및 정확성에 대한 세밀한 평가가 가능하며 해석 가능한 질문-답변 피드백을 제공합니다. ISG와 함께, 우리는 8개 범주와 21개 하위 범주에서 1,150개의 샘플을 포함하는 ISG-Bench라는 벤치마크를 소개합니다. 이 벤치마크 데이터셋은 복잡한 언어-비전 종속성과 모델을 효과적으로 평가하기 위한 골든 답변을 포함하며, 스타일 전이와 같은 비전 중심 작업에 대한 도전적인 영역에서 모델을 평가합니다. ISG-Bench를 사용하여 최근 통합 비전-언어 모델이 상호 작용 컨텐츠를 생성하는 데 성능이 낮다는 것을 입증합니다. 별도의 언어 및 이미지 모델을 결합하는 구성적 접근은 전체적인 수준에서 통합 모델보다 111%의 성능 향상을 보여주지만, 그들의 성능은 블록 및 이미지 수준에서 여전히 최적이 아닙니다. 미래 작업을 위해, 우리는 "계획-실행-정제" 파이프라인을 활용하는 기준선 에이전트인 ISG-Agent를 개발하여 도구를 호출하고 122%의 성능 향상을 달성합니다.

주파수 분해를 통한 신원 보존 텍스트 대 동영상 생성
Identity-Preserving Text-to-Video Generation by Frequency Decomposition

Nov 26, 2024

Shenghai Yuan, Jinfa Huang, Xianyi He, Yunyuan Ge, Yujun Shi, Liuhan Chen, Jiebo Luo, Li Yuan

133

아이덴티티 보존 텍스트-비디오(IPT2V) 생성은 일관된 인간 아이덴티티를 유지하면서 고품질 비디오를 생성하는 것을 목표로 합니다. 이는 비디오 생성에서 중요한 작업이지만, 생성 모델에 대한 여전히 해결되지 않은 문제입니다. 본 논문은 문헌에서 해결되지 않은 두 가지 방향으로 IPT2V의 기술적 경계를 확장합니다: (1) 세세한 사례별 파인튜닝 없이 튜닝이 필요 없는 파이프라인, 그리고 (2) 주파수 인식 휴리스틱 아이덴티티 보존 DiT 기반 제어 체계. 우리는 ConsisID를 제안합니다. 이는 튜닝이 필요 없는 DiT 기반 제어 가능한 IPT2V 모델로 생성된 비디오에서 인간 아이덴티티를 일관되게 유지합니다. 확산 트랜스포머의 주파수 분석 선행 연구에서 영감을 받아, 이는 얼굴 특징을 저주파수 전역 특징과 고주파수 내재적 특징으로 분해할 수 있는 주파수 도메인에서 아이덴티티 제어 신호를 사용합니다. 먼저, 저주파수 관점에서, 우리는 전역 얼굴 추출기를 소개합니다. 이는 참조 이미지와 얼굴 주요 지점을 잠재 공간에 부호화하여 저주파수 정보가 풍부한 특징을 생성합니다. 이러한 특징은 네트워크의 얕은 레이어에 통합되어 DiT와 관련된 훈련 도전을 완화시킵니다. 둘째, 고주파수 관점에서, 우리는 고주파수 세부 사항을 포착하고 트랜스포머 블록에 주입하는 지역 얼굴 추출기를 설계하여 모델이 섬세한 특징을 보존하는 능력을 향상시킵니다. 주파수 정보를 활용한 계층적 훈련 전략을 제안하여 아이덴티티 보존을 위해 주파수 정보를 활용하며, 일반적으로 사전 훈련된 비디오 생성 모델을 IPT2V 모델로 변환합니다. 광범위한 실험 결과는 우리의 주파수 인식 휴리스틱 체계가 DiT 기반 모델에 대한 최적의 제어 솔루션을 제공함을 보여줍니다. 이 체계 덕분에 우리의 ConsisID는 고품질의 아이덴티티 보존 비디오를 생성하며, 더 효과적인 IPT2V로 나아가는 발전을 이루고 있습니다.

MARVEL-40M+: 고품질 텍스트 대 3D 콘텐츠 생성을 위한 다중 수준 시각적 설명
MARVEL-40M+: Multi-Level Visual Elaboration for High-Fidelity Text-to-3D Content Creation

Nov 26, 2024

Sankalp Sinha, Mohammad Sadil Khan, Muhammad Usama, Shino Sam, Didier Stricker, Sk Aziz Ali, Muhammad Zeshan Afzal

214

텍스트 프롬프트로부터 고품질 3D 콘텐츠를 생성하는 것은 기존 데이터셋의 크기, 다양성 및 주석 깊이의 제한으로 인해 컴퓨터 비전에서 중요한 도전 과제입니다. 이를 해결하기 위해 우리는 MARVEL-40M+를 소개합니다. 이는 7개의 주요 3D 데이터셋으로부터 집계된 8.9백만 개 이상의 3D 에셋을 위한 4천만 개의 텍스트 주석을 포함하는 방대한 데이터셋입니다. 우리의 기여는 오픈 소스 사전 훈련된 다중 뷰 VLM과 LLM을 통합한 새로운 다중 단계 주석 파이프라인입니다. 이를 통해 상세한(150-200 단어)부터 간결한 의미 태그(10-20 단어)까지의 다중 수준 설명을 자동으로 생성합니다. 이 구조는 세밀한 3D 재구성과 신속한 프로토타이핑을 지원합니다. 더불어, 우리는 소스 데이터셋에서 인간 메타데이터를 주석 파이프라인에 통합하여 주석에 도메인 특정 정보를 추가하고 VLM 환각을 줄입니다. 게다가, 우리는 MARVEL-FX3D를 개발했습니다. 이는 두 단계의 텍스트-3D 파이프라인입니다. 우리는 주석을 통해 Stable Diffusion을 세밀하게 조정하고 사전 훈련된 이미지-3D 네트워크를 사용하여 15초 이내에 3D 텍스처 매쉬를 생성합니다. 방대한 평가 결과 MARVEL-40M+가 주석 품질과 언어 다양성에서 기존 데이터셋을 크게 능가하며, GPT-4에 의한 승률은 72.41%, 인간 평가자에 의한 승률은 73.40%에 달한다는 것을 보여줍니다.

CAT4D: 다중 뷰 비디오 확산 모델을 사용하여 4D에서 모든 것을 만들다.
CAT4D: Create Anything in 4D with Multi-View Video Diffusion Models

Nov 27, 2024

Rundi Wu, Ruiqi Gao, Ben Poole, Alex Trevithick, Changxi Zheng, Jonathan T. Barron, Aleksander Holynski

595

우리는 CAT4D를 제시합니다. 이는 단안 비디오로부터 4D(동적 3D) 장면을 생성하는 방법입니다. CAT4D는 다양한 조합의 데이터셋에서 훈련된 다중 뷰 비디오 확산 모델을 활용하여 특정 카메라 위치와 타임스탬프에서의 새로운 뷰 합성을 가능하게 합니다. 새로운 샘플링 접근 방식과 결합된 이 모델은 단일 단안 비디오를 다중 뷰 비디오로 변환하여, 변형 가능한 3D 가우시안 표현의 최적화를 통해 견고한 4D 재구성을 가능하게 합니다. 우리는 새로운 뷰 합성 및 동적 장면 재구성 벤치마크에서 경쟁력 있는 성능을 보여주며, 실제 또는 생성된 비디오로부터 4D 장면 생성에 대한 창의적 능력을 강조합니다. 결과 및 인터랙티브 데모에 대해서는 저희 프로젝트 페이지를 참조하세요: cat-4d.github.io.

대규모 언어 모델 기반 GUI 에이전트: 조사
Large Language Model-Brained GUI Agents: A Survey

Nov 27, 2024

Chaoyun Zhang, Shilin He, Jiaxu Qian, Bowen Li, Liqun Li, Si Qin, Yu Kang, Minghua Ma, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang, Qi Zhang

323

GUI는 오랫동안 인간-컴퓨터 상호작용의 중심 역할을 해왔으며, 디지털 시스템에 직관적이고 시각적인 방법으로 접근하고 상호작용할 수 있는 방법을 제공합니다. 특히 다중 모달 모델인 LLM의 등장은 GUI 자동화의 새로운 시대를 열었습니다. 이들은 자연어 이해, 코드 생성 및 시각 처리에서 뛰어난 능력을 보여주었습니다. 이는 새로운 세대의 LLM 기반 GUI 에이전트가 복잡한 GUI 요소를 해석하고 자연어 명령에 기반하여 자율적으로 작업을 실행할 수 있는 능력을 열어주었습니다. 이러한 에이전트들은 사용자가 간단한 대화 명령을 통해 복잡한 다단계 작업을 수행할 수 있도록 하는 패러다임 전환을 대표합니다. 이들의 응용 분야는 웹 탐색, 모바일 앱 상호작용 및 데스크톱 자동화를 포함하며, 소프트웨어와 상호작용하는 방식을 혁신적으로 변화시키는 변혁적인 사용자 경험을 제공합니다. 이 신흥 분야는 연구와 산업 모두에서 중요한 진전을 이루고 있습니다. 이 동향을 체계적으로 이해하기 위해, 본 논문은 LLM 기반 GUI 에이전트의 포괄적인 조사를 제시하며, 그들의 역사적 발전, 핵심 구성 요소 및 고급 기술을 탐구합니다. 우리는 기존 GUI 에이전트 프레임워크, 특수 GUI 에이전트를 훈련하기 위한 데이터 수집 및 활용, GUI 작업에 맞춘 대규모 작업 모델의 개발, 그리고 효과를 평가하기 위해 필요한 평가 지표 및 벤치마크와 같은 연구 질문들을 다룹니다. 게다가, 이러한 에이전트가 제공하는 신흥 응용 분야를 검토합니다. 이 조사를 통해 주요 연구 공백을 확인하고 이 분야의 미래 발전을 위한 로드맵을 제시합니다. 이 작업은 기본 지식과 최신 기술 발전을 통합하여, 연구자와 실무자가 도전을 극복하고 LLM 기반 GUI 에이전트의 전체 잠재력을 발휘할 수 있도록 안내하는 것을 목표로 합니다.

영상 생성을 위한 제로샷 맞춤형 확산 셀프 증류
Diffusion Self-Distillation for Zero-Shot Customized Image Generation

Nov 27, 2024

Shengqu Cai, Eric Chan, Yunzhi Zhang, Leonidas Guibas, Jiajun Wu, Gordon Wetzstein

166

텍스트-이미지 확산 모델은 인상적인 결과를 얻지만 섬세한 제어를 원하는 예술가들에게는 괴로운 도구입니다. 예를 들어, 흔한 사용 사례는 새로운 맥락에서 특정 사례의 이미지를 생성하는 것, 즉 "정체성 보존 생성"입니다. 이러한 설정은 조명 변경(relighting)과 같은 다른 많은 작업들과 함께 이미지+텍스트 조건부 생성 모델에 자연스럽게 부합합니다. 그러나 이러한 모델을 직접 훈련시키기에는 고품질의 페어 데이터가 부족합니다. 저희는 Diffusion Self-Distillation을 제안합니다. 이는 사전 훈련된 텍스트-이미지 모델을 활용하여 텍스트 조건부 이미지-이미지 작업을 위한 자체 데이터셋을 생성하는 방법입니다. 우리는 먼저 텍스트-이미지 확산 모델의 맥락 내 생성 능력을 활용하여 이미지 그리드를 생성하고 Visual-Language 모델의 도움으로 대규모 페어 데이터셋을 선별합니다. 그런 다음 이를 사용하여 선별된 페어 데이터셋을 활용하여 텍스트+이미지-이미지 모델로 세밀하게 조정합니다. 우리는 Diffusion Self-Distillation이 기존의 제로샷 방법을 능가하고 테스트 시간 최적화 없이 다양한 정체성 보존 생성 작업에서 인스턴스 조정 기술과 경쟁력을 갖는 것을 보여줍니다.

3D 볼록 스플래팅: 3D 부드러운 볼록체로의 광도 필드 렌더링
3D Convex Splatting: Radiance Field Rendering with 3D Smooth Convexes

Nov 22, 2024

Jan Held, Renaud Vandeghen, Abdullah Hamdi, Adrien Deliege, Anthony Cioppa, Silvio Giancola, Andrea Vedaldi, Bernard Ghanem, Marc Van Droogenbroeck

165

최근의 광도 필드 재구성 기술인 3D 가우시안 스플래팅(3DGS)과 같은 발전은 가우시안 기본체들의 조합으로 장면을 표현하여 고품질의 신규 뷰 합성과 빠른 렌더링을 달성했습니다. 그러나 3D 가우시안은 장면 재구성에 대한 여러 가지 제한을 가지고 있습니다. 경계를 정확하게 포착하는 것은 가우시안의 수를 크게 늘리지 않고는 어려우며, 이는 큰 메모리 풋프린트를 만듭니다. 게다가, 평면 표면을 표현하는 데 어려움을 겪는데, 이는 공간 안에서 확산되기 때문입니다. 손으로 만든 정규화기가 없으면, 실제 표면 주변에 불규칙하게 퍼지는 경향이 있습니다. 이러한 문제를 우회하기 위해, 우리는 3D 부드러운 볼록체를 기본체로 활용하여 다중 뷰 이미지로부터 기하학적으로 의미 있는 광도 필드를 모델링하는 새로운 방법인 3D 볼록체 스플래팅(3DCS)을 소개합니다. 부드러운 볼록체 모양은 가우시안보다 더 큰 유연성을 제공하여 적은 기본체를 사용하여 경계가 있는 3D 장면과 밀도가 높은 볼륨을 더 잘 표현할 수 있습니다. 우리의 효율적인 CUDA 기반 래스터라이저를 통해, 3DCS는 Mip-NeRF360, Tanks and Temples, Deep Blending과 같은 벤치마크에서 3DGS보다 우수한 성능을 달성합니다. 특히, 우리의 방법은 PSNR에서 최대 0.81, LPIPS에서 0.026의 향상을 보이면서 높은 렌더링 속도를 유지하고 필요한 기본체 수를 줄입니다. 우리의 결과는 3D 볼록체 스플래팅이 고품질 장면 재구성과 신규 뷰 합성을 위한 새로운 표준이 될 잠재력을 강조합니다. 프로젝트 페이지: convexsplatting.github.io.

확산 주행: 단축된 확산 모델을 이용한 자율 주행 종단 간 모델
DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving

Nov 22, 2024

Bencheng Liao, Shaoyu Chen, Haoran Yin, Bo Jiang, Cheng Wang, Sixu Yan, Xinbang Zhang, Xiangyu Li, Ying Zhang, Qian Zhang, Xinggang Wang

152

최근 확산 모델이 로봇 정책 학습을 위한 강력한 생성 기법으로 등장했으며, 다중 모드 액션 분포를 모델링할 수 있는 능력을 갖추고 있습니다. 이 능력을 활용하여 엔드 투 엔드 자율 주행에 대한 방향은 유망합니다. 그러나 로봇 확산 정책에서 다수의 노이즈 제거 단계와 보다 동적이고 개방적인 실시간 속도에서 다양한 주행 액션을 생성하는 데 상당한 어려움이 있습니다. 이러한 도전에 대응하기 위해 우리는 새로운 절단된 확산 정책을 제안합니다. 이 정책은 이전 다중 모드 앵커를 통합하고 확산 일정을 절단하여 모델이 앵커된 가우시안 분포에서 다중 모드 주행 액션 분포로부터 노이즈 제거를 학습할 수 있도록 합니다. 또한 조건부 장면 컨텍스트와의 향상된 상호 작용을 위해 효율적인 캐스케이드 확산 디코더를 설계합니다. 제안된 모델인 DiffusionDrive는 바닐라 확산 정책 대비 노이즈 제거 단계를 10배 줄이고, 단 2단계에서 우수한 다양성과 품질을 제공합니다. ResNet-34 백본을 사용한 계획 중심 NAVSIM 데이터셋에서 DiffusionDrive는 88.1 PDMS를 달성하여 새로운 기록을 세우며, NVIDIA 4090에서 45 FPS의 실시간 속도로 실행됩니다. 어려운 시나리오에서의 질적 결과는 DiffusionDrive가 견고하게 다양한 타당한 주행 액션을 생성할 수 있다는 것을 더욱 확신시켜줍니다. 코드 및 모델은 https://github.com/hustvl/DiffusionDrive에서 사용할 수 있습니다.

Make-It-Animatable: 애니메이션 준비가 된 3D 캐릭터를 작성하기 위한 효율적인 프레임워크
Make-It-Animatable: An Efficient Framework for Authoring Animation-Ready 3D Characters

Nov 27, 2024

Zhiyang Guo, Jinxu Xiang, Kai Ma, Wengang Zhou, Houqiang Li, Ran Zhang

144

현대 창조 산업에서 3D 캐릭터는 필수적이지만, 그들을 애니메이션화하는 것은 종종 리깅과 스킨닝과 같은 작업에서 많은 수동 작업을 요구합니다. 기존의 자동 리깅 도구들은 수동 주석, 강한 스켈레톤 토폴로지, 다양한 모양과 자세에 걸쳐 제한된 일반화 등 여러 가지 한계에 직면하고 있습니다. 대안적인 접근 방식은 리깅된 템플릿 메쉬에 미리 바운드된 애니메이션 가능한 아바타를 생성하는 것입니다. 그러나 이 방법은 종종 유연성이 부족하며 일반적으로 현실적인 인간 모양에 한정되어 있습니다. 이러한 문제를 해결하기 위해, 우리는 어떤 모양과 자세에도 1초 미만의 시간 안에 캐릭터 애니메이션을 위해 준비된 3D 인간형 모델을 만들기 위한 새로운 데이터 주도 방법인 Make-It-Animatable을 제안합니다. 우리의 통합된 프레임워크는 고품질의 블렌드 가중치, 본, 자세 변환을 생성합니다. 입자 기반 형상 오토인코더를 통합함으로써 우리의 방법은 메쉬와 3D 가우시안 스플랫을 포함한 다양한 3D 표현을 지원합니다. 또한 우리는 굵고 세밀한 표현과 구조 인식 모델링 전략을 활용하여 비표준 스켈레톤 구조를 갖는 캐릭터에 대해서도 정확성과 견고성을 보장합니다. 우리는 우리의 프레임워크의 효과를 검증하기 위해 광범위한 실험을 실시했습니다. 기존 방법과 비교했을 때, 우리의 방법은 품질과 속도 모두에서 상당한 개선을 보여줍니다.

UniPose: 인간 자세 이해, 생성 및 편집을 위한 통합된 멀티모달 프레임워크
UniPose: A Unified Multimodal Framework for Human Pose Comprehension, Generation and Editing

Nov 25, 2024

Yiheng Li, Ruibing Hou, Hong Chang, Shiguang Shan, Xilin Chen

134

인간 자세는 디지털 시대에서 중요한 역할을 합니다. 최근 연구들은 인간 자세를 이해하고 생성하는 데 상당한 진전을 이루었지만, 그들은 종종 단일한 제어 신호 모드만을 지원하며 독립적으로 작동하여 실제 상황에서의 응용을 제한합니다. 본 논문에서는 이미지, 텍스트, 그리고 3D SMPL 자세를 포함한 다양한 모드에서 인간 자세를 이해하고 생성하며 편집하는 데 대형 언어 모델(Large Language Models, LLMs)을 활용하는 UniPose 프레임워크를 제안합니다. 구체적으로, 우리는 자세 토크나이저를 적용하여 3D 자세를 이산 자세 토큰으로 변환하여 통합된 어휘 내에서 LLM에 매끄럽게 통합할 수 있도록 합니다. 미세한 자세 인식 능력을 더욱 향상시키기 위해, 우리는 UniPose를 시각 인코더의 혼합으로 지원하며 이 중에는 자세 특화 시각 인코더도 포함됩니다. 통합된 학습 전략을 통해 UniPose는 효과적으로 다른 자세 관련 작업 간에 지식을 전이하고 보이지 않는 작업에 적응하며 확장된 능력을 나타냅니다. 본 연구는 자세 이해, 생성, 편집을 위한 범용 프레임워크를 구축하기 위한 최초의 시도로서, 다양한 자세 관련 작업에서 UniPose의 경쟁력 있는 심지어 우수한 성능을 강조합니다.

협력적 디코딩은 시각적 자기회귀 모델링을 효율적으로 만듭니다.
Collaborative Decoding Makes Visual Auto-Regressive Modeling Efficient

Nov 26, 2024

Zigeng Chen, Xinyin Ma, Gongfan Fang, Xinchao Wang

122

이미지 생성 분야에서 빠르게 발전하는 가운데, 시각적 자기 회귀(Visual Auto-Regressive, VAR) 모델링은 혁신적인 다음 단계 예측 접근 방식으로 큰 주목을 받고 있습니다. 이 패러다임은 효율성, 확장성, 그리고 제로샷 일반화에서 상당한 개선을 제공합니다. 그러나 VAR의 본질적으로 굵고 미세한 특성은 긴 토큰 시퀀스를 도입하여 메모리 소비와 계산 중복을 방해합니다. 이러한 병목 현상을 해결하기 위해, 우리는 VAR 프레임워크에 맞춘 혁신적인 효율적 디코딩 전략인 협력 디코딩(Collaborative Decoding, CoDe)을 제안합니다. CoDe는 두 가지 중요한 관찰에 기반을 두고 있습니다: 큰 규모에서 크게 줄어든 매개변수 요구와 서로 다른 규모에서의 독점적 생성 패턴. 이러한 통찰력을 기반으로 다중 규모 추론 과정을 큰 모델과 작은 모델 간의 원활한 협력으로 분할합니다. 큰 모델은 작은 규모에서 낮은 주파수 콘텐츠를 생성하는 '작성자'로 작용하고, 작은 모델은 큰 규모에서 고주파수 세부 정보를 예측하는 '정제자'로만 집중합니다. 이 협력은 탁월한 효율성을 제공하면서 품질에 미미한 영향을 미칩니다: CoDe는 1.7배의 가속화를 달성하고, 메모리 사용량을 약 50% 줄이며, 이미지 품질을 1.95에서 1.98로 무시할 수 있는 FID 증가만으로 유지합니다. 작성 단계가 더욱 줄어들면, CoDe는 놀라운 2.9배의 가속 비율을 달성할 수 있으며, NVIDIA 4090 GPU 하나로 256x256 해상도에서 초당 41개의 이미지를 생성하면서 2.27의 훌륭한 FID를 유지합니다. 코드는 https://github.com/czg1225/CoDe에서 제공됩니다.

DreamCache: 피니튜닝 없이 가벼운 개인화 이미지 생성을 위한 특징 캐싱
DreamCache: Finetuning-Free Lightweight Personalized Image Generation via Feature Caching

Nov 26, 2024

Emanuele Aiello, Umberto Michieli, Diego Valsesia, Mete Ozay, Enrico Magli

123

개인화된 이미지 생성에는 제어된 생성을 가능하게 하는 참조 대상의 핵심 특징을 포착하는 텍스트-이미지 생성 모델이 필요합니다. 기존 방법은 복잡한 훈련 요구, 높은 추론 비용, 제한된 유연성 또는 이러한 문제들의 조합으로 인해 도전에 직면합니다. 본 논문에서는 효율적이고 고품질의 개인화된 이미지 생성을 위한 확장 가능한 접근 방식인 DreamCache를 소개합니다. DreamCache는 사전 훈련된 확산 제거기의 일부 레이어와 단일 타임스텝에서 참조 이미지 특징의 소수를 캐싱함으로써 가벼운 조건부 어댑터를 통해 생성된 이미지 특징의 동적 변조를 가능하게 합니다. DreamCache는 최신 이미지 및 텍스트 정렬을 달성하며, 순서 크기의 추가 매개변수를 활용하며 기존 모델보다 계산적으로 더 효과적이고 다재다능합니다.

ChatRex: 다중 모달 LLM을 조절하여 공동 인식과 이해를 향상시키다.
ChatRex: Taming Multimodal LLM for Joint Perception and Understanding

Nov 27, 2024

Qing Jiang, Gen luo, Yuqin Yang, Yuda Xiong, Yihao Chen, Zhaoyang Zeng, Tianhe Ren, Lei Zhang

103

지각과 이해는 컴퓨터 비전의 두 대요소입니다. 다중 모달 대형 언어 모델(Multimodal Large Language Models, MLLM)은 놀라운 시각적 이해 능력을 보여주었지만, 정확한 지각 능력이 부족하다는 주장도 있습니다. 예를 들어, 최신 모델인 Qwen2-VL은 COCO 데이터셋에서 43.9의 검출률만을 달성하여, 지각과 이해를 결합하는 많은 작업에 제한이 있습니다. 본 연구에서는 이 지각 간극을 모델 설계와 데이터 개발 관점에서 해소하고자 합니다. 먼저, 우리는 ChatRex를 소개합니다. 이는 분리된 지각 디자인을 갖춘 MLLM입니다. LLM이 직접 상자 좌표를 예측하는 대신, 우리는 모든 제안 네트워크로부터 출력 상자를 LLM에 공급하여 해당 상자 인덱스를 출력하도록 하여 검출 결과를 나타내게 합니다. 이를 통해 회귀 작업을 검색 기반 작업으로 전환하여 LLM이 더 능숙하게 처리할 수 있게 합니다. 데이터 관점에서는 완전 자동화된 데이터 엔진을 구축하고, 지각과 이해의 공동 훈련을 지원하기 위해 여러 단계를 갖춘 Rexverse-2M 데이터셋을 구축합니다. 표준 두 단계 훈련 후, ChatRex는 강력한 지각 능력을 보여주면서 다중 모달 이해 성능을 유지합니다. 이 두 능력의 결합은 많은 매력적인 응용 프로그램을 동시에 가능하게 하며, MLLM에서 지각과 이해의 보완적 역할을 보여줍니다. 코드는 https://github.com/IDEA-Research/ChatRex에서 확인할 수 있습니다.

다중 모달 제어를 사용한 비디오 안내 풀리 사운드 생성
Video-Guided Foley Sound Generation with Multimodal Controls

Nov 26, 2024

Nov 27, 2024

Yifan Zhang

편집하려 하면 내 얼굴은 그대로 남지 않을 것입니다: 악의적 생성 편집에 대한 개인 바이오메트릭 방어
Edit Away and My Face Will not Stay: Personal Biometric Defense against Malicious Generative Editing

Nov 25, 2024

Hanhui Wang, Yihua Zhang, Ruizheng Bai, Yue Zhao, Sijia Liu, Zhengzhong Tu