Generative AI의 현재 발전은 고해상도 합성의 계산 비용을 관리하기 위해 잠재 확산 모델(LDMs)에 크게 의존하고 있습니다. 데이터를 낮은 차원의 잠재 공간으로 압축함으로써 모델이 효과적으로 확장될 수 있습니다. 그러나 기본적인 트레이드오프가 존재하는데, 낮은 정보 밀도는 잠재 변수를 학습하기 쉽게 만들지만 재구성 품질을 희생시킵니다. 반면 더 높은 밀도는 거의 완벽한 재구성을 가능하게 하지만 학습이 어렵습니다. 이 문제를 해결하기 위해 구글 딥마인드에서는 통합 잠재 변수 (UL)를 소개했습니다. 이 프레임워크는 확산 사전과 디코더를 사용하여 잠재 변수를 공동으로 규제함으로써 재구성 품질을 향상시킵니다. UL은 잠재 변수의 효율적인 사용과 재구성 품질 사이의 균형을 달성하기 위한 새로운 방법을 제시합니다.

<Mark Tech Post 뉴스 본문 전체읽기>