생성형 모델 기반 시각 편집과 이미지 변환 연구

Generative Model–Driven Visual Editing and Image Translation

연구 내용

GAN inversion과 확산모델 등 생성형 모델의 잠재공간 및 생성 메커니즘을 정리하고, 얼굴 속성 편집·이미지 변환 같은 시각 편집 문제에 적용 가능성을 제시하는 연구

생성형 모델의 잠재공간 복원과 속성 제어를 핵심 축으로 시각 편집을 다룹니다. 사전학습 GAN의 잠재코드를 통해 입력 이미지를 재구성하는 GAN inversion을 정리하고, signed attribute vectors 기반 이미지-to-이미지 변환으로 연속적이고 다양한 변화를 구현합니다. 또한 얼굴 속성 조작(FAM)과 확산모델의 효율 샘플링·우도 추정·특수 구조 데이터 처리를 비교 분석하여, 편집 품질과 제어 가능성을 함께 개선하는 방향을 설계합니다.

관련 프로젝트

0건

연구 흐름

초기에는 GAN inversion을 통해 실제 이미지와 생성 모델의 잠재공간을 연결하는 방법을 체계화하고, 재구성과 조작에 필요한 알고리즘 흐름을 정리했습니다. 이후 signed attribute vectors를 활용해 속성 변화가 연속성과 다양성을 갖도록 이미지 변환을 확장했습니다. 2023년에는 얼굴 속성 조작 분야의 문제 설정과 기술 요소를 종합하고, 확산모델 연구의 주요 축(효율 샘플링, 개선된 추정, 구조화 데이터)을 정리하여 후속 연구 탐색의 근거를 마련했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

얼굴 속성 편집
이미지-to-이미지 변환
잠재공간 기반 재구성
속성 벡터 기반 생성
확산모델 샘플링 효율화
조건부 시각 데이터 합성
GAN 잠재공간 해석
합성-실사 도메인 정합
시각 편집 파이프라인 설계
편집 품질 평가 지표 정리