곽노준 연구실

본 연구는 확산 모델의 미세조정 시 무단 데이터 사용을 방지하기 위해 TAFAP 방법을 제안합니다. 기존의 스냅샷 기반 방식과 달리 전체 학습 궤적을 제어하여 목표 개념으로의 안정적인 리다이렉션을 달성합니다. 광범위한 실험을 통해 높은 이미지 품질을 유지하면서 신원과 시각적 패턴을 동시에 제어하는 첫 번째 성공적인 표적 변환을 입증합니다.

본 연구는 인간 피드백 기반 강화학습에서 다양한 평가 축을 단일 스칼라 보상으로 집계하는 DPO의 한계를 지적합니다. 이를 해결하기 위해 선호도 결과 벡터를 조건으로 주입하는 Multi Reward Conditional DPO(MCDPO)를 제안하며, 이는 각 보상 축을 독립적으로 최적화할 수 있게 합니다. Stable Diffusion 1.5와 SDXL 실험에서 우수한 성능을 달성했습니다.

본 연구는 확산 모델의 미세조정 시 무단 데이터 사용을 방지하기 위해 TAFAP 방법을 제안합니다. 기존 스냅샷 기반 방식과 달리 전체 학습 궤적을 제어하여 목표 개념으로의 안정적인 리다이렉션을 달성하며, 신원과 시각적 패턴을 동시에 제어하면서 높은 이미지 품질을 유지합니다.

본 연구는 360° 장면의 3D 컬러화를 위해 LoGoColor 파이프라인을 제안합니다. 기존 2D 이미지 컬러화 모델 기반 방법의 색상 평균화 문제를 해결하기 위해, 장면을 부분장면으로 분할하고 미세조정된 다중뷰 확산 모델을 사용하여 부분장면 간/내 일관성을 보장합니다. 제안 방법은 기존 방법 대비 더 일관되고 그럴듯한 3D 컬러화와 우수한 색상 다양성을 달성합니다.

본 연구는 대규모 비쌍 HMC(헤드마운트 카메라) 캡처를 활용하여 돔 카메라의 아바타 상태로부터 고품질 합성 HMC 이미지를 직접 생성하는 생성형 접근법 GenHMC를 제안합니다. 이 방법은 표정과 시점 조건을 얼굴 외형으로부터 적절히 분리하여 더 정확한 그라운드 트루스를 생성하며, 미학습 신원에 대한 일반화가 가능합니다. 제안된 방법으로 학습한 범용 얼굴 인코더는 더 나은 데이터 효율성과 최첨단 정확도를 달성합니다.