EDGAR: 합성 실패를 통한 효율적인 확산 기반 가우시안 아바타 정제

요약

본 논문은 가우시안 아바타의 기하학적 및 텍스처 문제를 해결하기 위해 조건부 확산 프레임워크 EDGAR를 제시합니다. EDGAR는 하이브리드 트리플렛 데이터셋(EDGAR-SET)을 구축하여 현실적인 실패 사례를 시뮬레이션하고, 자가 지도 학습 모델이 추출한 정체성 특징을 활용해 저하된 아바타 프레임을 정제합니다. 이를 통해 효율성을 유지하며 다양한 아티팩트를 효과적으로 제거할 수 있습니다.

핵심 포인트

• EDGAR는 가우시안 아바타의 품질 향상 및 아티팩트 수정에 초점을 맞춘 확산 기반 프레임워크입니다.
• 하이브리드 데이터셋(EDGAR-SET)을 구축하여 현실적인 실패 사례를 시뮬레이션했습니다.
• 자가 지도 학습 모델과 확산 백본의 퓨전 블록으로 정체성 보존 및 아티팩트 제거가 가능합니다.
• MoE 아키텍처 통합으로 다양한 저하 유형에 대한 강건성을 확보했습니다.