확산 모델

DiffGI는 의류처럼 얇은 쉘 구조와 비다양체 표면을 기존 체적 표현이 잘 다루지 못한다는 문제에서 출발합니다. 연속 2D TSDF와 미분 가능한 Marching Squares를 결합해 2D 잠재공간과 3D 표면 최적화를 직접 연결합니다.

Token Time Continuous Diffusion(TTCD)은 연속 공간에서 동작하며 각 토큰이 서로 다른 속도로 노이즈에서 토큰으로 변하도록 설계된 확산 언어 모델입니다. 특히 고속 생성과 조건부 생성에서의 정확도 개선을 목표로 합니다.

이 서베이는 이산 확산 모델을 토큰화와 상태공간 설계의 관점에서 다시 정리한다. 텍스트, 단백질, 분자처럼 이산 기호로 된 데이터에서는 토큰 사이의 구조가 곧 모델 설계의 핵심이 된다.

arXiv 논문은 자율주행 장면의 날씨 편집을 위한 Cyclone 프레임워크를 제안한다. 잠재 확산 모델과 순환 일관성 제약, 이미지-텍스트 모델 지식을 결합해 페어 데이터 없이 다양한 날씨 변환을 수행하는 것이 핵심이다.

새 arXiv 논문은 무거운 꼬리 분포를 랜덤 클록으로 조건화된 가우시안 혼합으로 표현하는 HTFM을 제안한다. 희귀 사건, 롱테일 이미지, 기상장처럼 극단값이 중요한 데이터에 더 잘 맞는 생성 모델을 목표로 한다.

TCAM-Diff는 고해상도 3D 의료영상을 조밀한 볼륨 그대로 생성하지 않고, 트라이플레인 표현으로 압축해 확산 모델이 학습하도록 설계된 방법이다. 생성된 특징은 사전 학습된 디코더를 통해 3D 볼륨으로 빠르게 변환된다.

새 서베이 논문은 이산 확산 모델을 손실 함수나 샘플러가 아니라, 이산 상태 공간을 어떻게 구성하느냐의 문제로 재정의한다.