새 논문: iREPA 확산 모델은 기반 표현의 렌더러다
원제목:new paper: iREPA diffusion models are a renderer of their underlying representations. with this new...
AI 요약
새 논문: iREPA 확산 모델은 기반 표현의 렌더러다. 이 새로운 설정을 통해 우리는 이러한 표현의 진정한 의미에 대해 더 명확하게 통찰할 수 있다. Jas가 자발적인 탐구를 시작했고, 지난 3개월 동안 우리는 많은 것을 배웠다. 추신: 이것은 또한 새로운 유형의 온라인 '워터쿨러 효과'에 대한 우리의 작은 실험이며, 나는 이런 현상을 보는 것을 좋아한다. 논쟁하고 토론한 뒤 진정한 노력으로 이를 제대로 된 과학으로 전환하자. [인용 @1jaskiratsingh]: ‼️ 표현은 생성에 중요하다! 하지만 표현이 생성에 어떻게 도움이 되는지에 대한 우리의 이해는 항상 틀렸다는 것이 밝혀졌다 ‼️ 우리의 이전 생각: (우리가 틀렸다) ❌ 더 큰 비전 인코더 → 더 나은 표현 → 더 나은 생성 ❌ 더 나은 전역 의미 → 더 나은 표현 → 더 나은 생성 결과: 🤯 표현 정렬에서 20배 이상 작은 비전 인코더가 더 큰 모델과 유사하거나 더 나은 성능을 달성할 수 있다 🤯 선형 프로브 정확도 약 20%(전역 의미의 측정 지표)인 비전 인코더가 정확도 >80%인 인코더를 능가할 수 있다 🤯 SiFT와 HoG 같은 고전적 특징조차 현대의 훨씬 큰 비전 인코더에 필적하는 향상을 가져온다 ‼️ 🚨 소개: 표현 정렬에 중요한 것은 무엇인가? 전역 정보인가 공간 구조인가 🚨 TL;DR: ✅ 더 나은 전역 의미 정보 ≠ 더 나은 생성 ✅ 공간 구조(전역 의미가 아닌)가 표현의 생성 성능을 주도한다 ✅ 우리는 iREPA를 제안한다: 단 3줄의 코드로 공간 구조 전이를 강조하고 REPA, REPA-E, Meanflow, JiT 등의 방법에서 수렴 속도를 지속적으로 향상시킨다 @AdobeResearch의 흥미진진한 프로젝트로, @xingjian_leng, @zongze_wu, @LiangZheng_06, @rzhang88, @elishechtman, @sainingxie와 협력했다 🙏 나에게 이것은 특히 흥미롭고 독특한 경험이었으며, 프로젝트의 모든 단계에서 우리는 우리의 편견이 틀렸음을 증명했다 😆 또한 X에서의 댓글로 이 방향의 탐구를 시작한 @YouJiacheng, @ShumingHu, @gallabytes에게 큰 감사를 표한다 🫡 논문: https://arxiv.org/abs/2512.10794 코드: https://github.com/End2End-Diffusion/iREPA 프로젝트 페이지: https://end2end-diffusion.github.io/irepa 더 자세한 내용은 스레드 참조: [1/n] 🧵
핵심 정보
- 새 논문: iREPA 확산 모델은 기반 표현의 렌더러다.
- 이 새로운 설정을 통해 우리는 이러한 표현의 진정한 의미에 대해 더 명확하게 통찰할 수 있다.
- Jas가 자발적인 탐구를 시작했고,지난 3개월 동안 우리는 많은 것을 배웠다.
- 추신: 이것은 또한 새로운 유형의 온라인 '워터쿨러 효과'에 대한 우리의 작은 실험이며,나는 이런 현상을 보는 것을 좋아한다.
- 논쟁하고 토론한 뒤 진정한 노력으로 이를 제대로 된 과학으로 전환하자.
한눈에 보기
- 게시
- 업데이트
- 카테고리
- 기타
颠覆认知:小20倍视觉编码器也能驱动高质量生成,空间结构才是关键
출처 및 저작권
이 기사는 AIHOT 공개 API가 제공하는 선별 제목과 AI 요약을 바탕으로 하며, 출처를 밝히고 원문으로 연결합니다. 원문 저작권은 원 미디어와 저자에게 있으며, 본 사이트는 전문을 전재하지 않습니다.
인용 방법
본문을 인용할 때는 제목, 날짜, 영구 링크를 유지하고 출처를 Orange News(으)로 표기해 주세요.
Orange News: 새 논문: iREPA 확산 모델은 기반 표현의 렌더러다. 2025년 12월 16일. https://new.nat6.net/ko/news/cmnz6dpf402amsl0fxz3kh21f/