<?xml version="1.0" encoding="UTF-8" ?>
<rss version="2.0">
    <channel>
      <title>PaperWiki</title>
      <link>https://paperwiki-3nl.pages.dev</link>
      <description>최근 10 건 on PaperWiki</description>
      <generator>Quartz -- quartz.jzhao.xyz</generator>
      <item>
    <title>Denoising Diffusion Probabilistic Models</title>
    <link>https://paperwiki-3nl.pages.dev/2020-ddpm</link>
    <guid>https://paperwiki-3nl.pages.dev/2020-ddpm</guid>
    <description><![CDATA[  내가 가져갈 핵심 한 줄 노이즈 ε를 예측하도록 reverse process를 parameterize하고 가중치를 뺀 MSE(L_simple)로 학습하면, diffusion model이 GAN급 이미지를 생성한다 — 그리고 이는 denoising score matching + annealed Langevin dynamics와 사실상 같은 것이다. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>Classifier-Free Diffusion Guidance</title>
    <link>https://paperwiki-3nl.pages.dev/2021-cfg</link>
    <guid>https://paperwiki-3nl.pages.dev/2021-cfg</guid>
    <description><![CDATA[  내가 가져갈 핵심 한 줄 별도 classifier 없이, 하나의 네트워크를 condition dropout으로 conditional·unconditional 겸용으로 학습한 뒤 두 ε 예측을 (1+w)\epsilon_\theta(z,c) - w\epsilon_\theta(z)로 섞기만 하면 classifier guidance와 같은 fidelity–diversity trade-off를 얻는다. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>High-Resolution Image Synthesis with Latent Diffusion Models</title>
    <link>https://paperwiki-3nl.pages.dev/2022-ldm</link>
    <guid>https://paperwiki-3nl.pages.dev/2022-ldm</guid>
    <description><![CDATA[  내가 가져갈 핵심 한 줄 diffusion을 픽셀이 아니라 사전학습된 autoencoder의 (적당히 압축된, f=4~8) 2D latent 공간에서 돌리면 품질은 거의 유지하면서 학습·샘플링 비용이 크게 줄고, cross-attention으로 텍스트 등 임의 조건을 넣을 수 있다. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>Flow Matching for Generative Modeling</title>
    <link>https://paperwiki-3nl.pages.dev/2023-flow-matching</link>
    <guid>https://paperwiki-3nl.pages.dev/2023-flow-matching</guid>
    <description><![CDATA[  내가 가져갈 핵심 한 줄 샘플 하나에 조건을 건 확률 경로 p_t(x|x_1)의 vector field만 회귀해도(CFM) 전체 marginal vector field를 회귀하는 것(FM)과 gradient가 같다 — 그래서 CNF를 시뮬레이션 없이 학습할 수 있고, 경로를 diffusion 대신 직선(OT)으로 고르면 학습·샘플링이 더 빠르고 좋아진다. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>Scaling Rectified Flow Transformers for High-Resolution Image Synthesis</title>
    <link>https://paperwiki-3nl.pages.dev/2024-sd3</link>
    <guid>https://paperwiki-3nl.pages.dev/2024-sd3</guid>
    <description><![CDATA[  내가 가져갈 핵심 한 줄 Rectified flow(직선 경로) + 중간 timestep을 더 자주 뽑는 logit-normal 샘플링 + 텍스트/이미지 별도 가중치에 joint attention을 쓰는 MM-DiT를 8B까지 스케일하면, validation loss가 예측 가능하게 줄고 그 loss가 GenEval·사람 선호도와 강하게 상관된다 — Stable Diffusion 3의 기반 논문. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>에이전트</title>
    <link>https://paperwiki-3nl.pages.dev/agents</link>
    <guid>https://paperwiki-3nl.pages.dev/agents</guid>
    <description><![CDATA[  개요 (첫 논문 ingest 시 작성) 대표 논문 연도논문한 줄 요약status 연구 흐름 (타임라인) (논문이 추가되면 연도순으로 Mermaid timeline + 링크 목록 작성) 하위 개념 (아직 없음) 미해결 문제 (아직 없음) 다른 분야와의 연결. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>Classifier-Free Guidance</title>
    <link>https://paperwiki-3nl.pages.dev/classifier-free-guidance</link>
    <guid>https://paperwiki-3nl.pages.dev/classifier-free-guidance</guid>
    <description><![CDATA[  분야: generative-models 정의 하나의 네트워크를 조건부·비조건부 겸용으로 학습한 뒤, 샘플링 때 두 예측을 외삽해 조건 충실도(fidelity)와 다양성 사이를 조절하는 기법. 별도 classifier가 필요 없다 (2021-cfg §3.2). ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>컴퓨터비전</title>
    <link>https://paperwiki-3nl.pages.dev/computer-vision</link>
    <guid>https://paperwiki-3nl.pages.dev/computer-vision</guid>
    <description><![CDATA[  개요 이미지·영상의 인식, 분할, 생성을 다루는 분야. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>Diffusion Model</title>
    <link>https://paperwiki-3nl.pages.dev/diffusion-model</link>
    <guid>https://paperwiki-3nl.pages.dev/diffusion-model</guid>
    <description><![CDATA[  분야: generative-models · computer-vision 정의 데이터에 Gaussian 노이즈를 점진적으로 더하는 고정된 forward process와, 이를 거꾸로 되돌리는 학습된 reverse process로 이루어진 latent variable 생성모델. ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item><item>
    <title>Flow Matching</title>
    <link>https://paperwiki-3nl.pages.dev/flow-matching</link>
    <guid>https://paperwiki-3nl.pages.dev/flow-matching</guid>
    <description><![CDATA[  분야: generative-models 정의 노이즈 분포에서 데이터 분포로 가는 확률 경로 p_t를 정하고, 이를 생성하는 vector field u_t를 신경망 v_t로 회귀해 Continuous Normalizing Flow(CNF)를 ODE 시뮬레이션 없이 학습하는 방법 (2023-flow-matching §3). ]]></description>
    <pubDate>Mon, 16 Nov 2026 00:00:00 GMT</pubDate>
  </item>
    </channel>
  </rss>