[논문리뷰] Three-Body Scattering for Generative Modeling본 논문은 현대 generative models이 adversarial critic, prescribed noise-to-data path(예: diffusion models), 또는 autoregressive factorization에 의존하는 한계를 극복하기 위해 새로운 one-step generation 방법을 제안합니다.#Review#Three-Body Scattering Modeling (TBSM)#Generative Modeling#Energy Distance#One-Step Generation#Tracked Scattering#Wasserstein Gradient Flow#FID#ImageNet2026년 7월 26일댓글 수 로딩 중
[논문리뷰] DiffusionBench: On Holistic Evaluation of Diffusion Transformers본 논문은 현재 DiT 연구가 class-conditional ImageNet generation 성능에만 지나치게 편중되어, 실제 모델의 범용적인 성능 향상을 보장하지 못하는 문제를 해결하고자 합니다.#Review#Diffusion Transformers#ImageNet#Text-to-Image#Benchmarking#Unified Framework#Generative Modeling2026년 6월 23일댓글 수 로딩 중
[논문리뷰] Distribution Matching Variational AutoEncoder본 논문은 시각적 생성 모델에서 VAE 및 파운데이션 모델 인코더가 잠재 공간의 분포를 명시적으로 형성하지 못하는 문제를 해결합니다.#Review#Variational Autoencoder (VAE)#Distribution Matching#Diffusion Models#Latent Space#Self-supervised Learning (SSL) Features#Generative Models#ImageNet#Tokenizer2025년 12월 8일댓글 수 로딩 중
[논문리뷰] DiP: Taming Diffusion Models in Pixel Space본 연구는 확산 모델(Diffusion Models)의 근본적인 문제인 생성 품질과 계산 효율성 간의 절충점 을 해결하는 것을 목표로 합니다.#Review#Diffusion Models#Pixel Space#Latent Diffusion Models (LDMs)#Diffusion Transformer (DiT)#Patch Detailer Head#Global-Local Modeling#Computational Efficiency#ImageNet2025년 11월 30일댓글 수 로딩 중