확산모델 인페인팅과 자기지도·활성학습을 결합한 생성·학습 효율 연구

Diffusion Inpainting and Efficient Learning via Self-Supervised and Active Learning

연구 내용

픽셀 단위 노이즈 스케줄을 활용한 영역 인식 확산모델 인페인팅과, 자기지도·활성학습 해석을 강화하는 표현 학습 연구

확산모델 기반 인페인팅에서 영역별 비동기 생성을 위해 픽셀 단위 노이즈 스케줄을 달리하는 region-aware diffusion 모델을 적용하고, 역과정에 추가 구성요소를 최소화해 추론 효율을 확보합니다. 또한 Low-Rank Adaptation으로 사전 학습된 확산모델을 기반으로 미세조정을 수행하여 학습 부담을 줄입니다. 자기지도 학습에서는 ensemble representations로 표현을 결합하는 방향을 다룹니다. 더 나아가 self-supervised learning 신호를 active learning에서 해석하기 위해 reinforcement learning과 multi-armed bandit 접근을 사용하고, 사전과제 해석을 통해 라벨링 효율을 개선합니다.

관련 프로젝트

0건

연구 흐름

이미지 복원과 생성 효율을 동시에 다루기 위해, 2024년 전후로 자기지도 기반 pretext task 신호의 해석을 active learning 맥락에서 다루는 연구를 수행했습니다. 같은 시기 representation 품질을 개선하기 위한 ensemble 기반 자기지도 학습 접근을 검토했습니다. 이후 2024~2025년에는 region-aware diffusion 모델로 인페인팅 문제를 재구성하고, LoRA 기반 미세조정으로 학습 비용을 제어하는 방향을 전개했습니다. 전반적으로 학습 신호의 활용 방식과 생성·복원 모델의 효율화를 함께 확장하는 연구 궤적을 보입니다.

활용 가능성

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

이미지 인페인팅
영역 마스크 복원
확산모델 기반 이미지 편집
빠른 추론형 생성 모델
LoRA 기반 모델 경량화
자기지도 표현 학습
활성학습 라벨 효율화
프리텍스트 과제 해석
반자동 데이터 구축
도메인 적응을 위한 사전학습 활용