[논문리뷰] DC-SAE: Deep Compression Semantic Autoencoder for Faster Diffusion Convergence본 논문은 높은 공간 압축률을 유지하면서도 Diffusion 모델의 학습 효율을 저해하지 않는 이상적인 Visual Tokenizer를 설계하는 것을 목표로 합니다. 기존의 고압축 Tokenizer는 추론 비용을 낮추지만, 학습 과정에서 모델의 수렴 속도를 현저히 늦추는 한계가 있습니다.#Review#Deep Compression#Semantic Autoencoder#Diffusion Model#Tokenization#Generative Latent Models#Reconstruction Fidelity2026년 9월 30일댓글 수 로딩 중
[논문리뷰] TC-AE: Unlocking Token Capacity for Deep Compression Autoencoders본 논문은 Deep Compression 오토인코더에서 발생하는 잠재 표현의 붕괴(Latent Representation Collapse) 문제를 해결하여 생성 성능을 개선하고자 합니다.#Review#Vision Transformer#Deep Compression#Autoencoder#Latent Diffusion Models#Token Scaling#Staged Token Compression#Self-Supervised Learning2026년 4월 8일댓글 수 로딩 중
[논문리뷰] DC-VideoGen: Efficient Video Generation with Deep Compression Video Autoencoder본 논문은 기존 비디오 확산 모델의 높은 훈련 및 추론 비용 문제를 해결하여, 고해상도 및 장시간 비디오 생성의 효율성을 대폭 향상시키는 것을 목표로 합니다. 특히, 사전 훈련된 모델의 품질을 유지하면서 깊은 압축 잠재 공간 으로 효율적으로 전환하는 프레임워크를 개발하는 데 중점을 둡니다.#Review#Video Generation#Diffusion Models#Video Autoencoder#Deep Compression#Model Acceleration#Fine-tuning#Latent Space#Temporal Modeling2025년 10월 1일댓글 수 로딩 중