반복적 디노이징을 결합한 Normalizing Flows
·2026.05.06 09:00
Apple 연구진이 iTARFlow를 제안해 ImageNet 64·128·256에서 경쟁력을 보였다.
Normalizing Flows가 다시 주목받는 가운데, TARFlow의 뒤를 잇는 iTARFlow가 제안됐다.
학습은 완전한 end-to-end 우도 기반 목적함수를 유지하고, 샘플링은 자기회귀 생성 뒤 반복적 디노이징을 붙이는 구조다. 기존 diffusion models처럼 학습 목적을 바꾸지 않으면서, 생성 단계에서 정제 능력을 더하는 방식이다.
- ImageNet 64/128/256 해상도에서 광범위한 실험으로 경쟁력 있는 성능을 확인했다.
- 생성 결과에 나타나는 특유의 왜곡을 분석해, 향후 개선 여지도 짚었다.
코드는 GitHub의 apple/ml-itarflow에서 공개됐다.
이 요약은 원문 이해를 돕기 위한 큐레이션입니다. 저작권은 원저작자에게 있으며, 정확한 내용과 맥락은 원문을 확인하세요.
요약 오류, 출처 표기 문제, 삭제 요청은 문의 · 건의로 알려주세요.