Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 여러 번의 이미지 편집 과정에서 발생하는 품질 저하 문제를 해결하기 위한 새로운 훈련 방식을 제안합니다. 'Self-Forcing' 원리를 도입하여 모델이 이전 출력물에 대해 작동하도록 강제하고, 비대칭 조건화(asymmetric conditioning)를 통해 안정적인 다중 턴 이미지 편집을 구현했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기이미지 편집 모델은 개별 편집에 대해 인상적인 결과를 보여주지만, 여러 번의 편집 과정에서는 품질이 저하되는 경우가 많습니다. 각 편집 단계는 작은 분포 변화를 유발하며, 이러한 변화가 연속된 편집을 거치면서 누적되어 에디터가 원래 훈련될 때 접했던 입력 분포와 다중 턴 추론 시 발생하는 분포 사이에 격차를 만듭니다. 우리는 이 누적되는 분포 변화 하에서도 다중 턴 이미지 편집이 안정적이도록 만드는 훈련 방식을 도입합니다. 핵심은 에디터가 훈련 과정에서 이전 편집 단계의 자신의 출력물에 대해 작동하도록 강제하는 것이며, 이는 Self-Forcing 원리를 이미지 편집으로 가져온 것입니다. 주요 과제는 자체 생성된 편집 궤적(trajectory)이 정답(ground-truth) 궤적과 벗어난다는 점이며, 이로 인해 직접적인 지도 학습(direct supervision)이 신뢰하기 어렵습니다. 우리는 모델이 자신의 이전 출력물에 대해 작동할 때 신뢰할 수 있는 훈련 신호를 제공하는 교사 이미지 에디터(teacher image editor)를 활용하는 증류 목표(distillation objective)를 통해 이 문제를 해결합니다. 우리는 비대칭 조건화 방식(asymmetric conditioning scheme)을 도입합니다: 학생 모델이 자신의 출력물에 대해 순차적으로 편집을 수행하는 동안, 교사는 원래의 깨끗한 이미지에 고정되어 복합적인 편집 지침(compound editing instruction)을 받습니다. 실험 결과는 긴 다중 턴 시퀀스에서 성능 저하가 현저히 감소하면서도 편집 품질과 지침 준수도를 유지함을 보여줍니다.