🎨 주제별 논문
GAN·VAE·확산 모델·NeRF까지, 이미지를 만들어내는 AI의 이론적 계보를 논문 5편으로 정리했습니다.
이미지 생성 AI를 다루는 과제는 'Midjourney가 대단하다'는 감상으로 끝나기 쉽습니다. 학술적 완성도를 갖추려면 생성 모델의 세 계보 — GAN, VAE, 확산 모델 — 를 구분해 설명해야 합니다.
GAN은 생성자와 판별자의 경쟁으로, VAE는 확률적 잠재 공간으로, 확산 모델은 잡음 제거 과정으로 이미지를 만듭니다. 2022년 이후 서비스 대부분은 확산 모델 계열이며, 그중에서도 잠재 공간에서 연산하는 Latent Diffusion 방식이 사실상 표준입니다.
NeRF는 2D 이미지에서 3D 장면을 복원하는 다른 갈래로, 메타버스·디지털 트윈 주제와 연결하기 좋습니다.
아래 목록은 제목과 한두 줄 요약으로 먼저 훑어보고, 필요한 자료만 원문으로 넘어가도록 구성했습니다. 상세 정리 보기 표시가 있는 논문은 과제용 정리 페이지가 준비되어 있습니다.
Generative Adversarial Nets
생성자와 판별자를 경쟁시키는 미니맥스 게임으로 데이터 분포를 학습하는 새로운 생성 모델 틀을 제안했다.
왜 중요한가 생성 모델 역사에서 가장 많이 인용되는 전환점 문헌이다.
Auto-Encoding Variational Bayes
재매개변수화 기법으로 변분추론을 신경망 학습에 결합해 연속 잠재변수 생성 모델을 실용화했다.
왜 중요한가 확률적 생성 모델의 이론적 토대이며 확산 모델 설명의 전제로 쓰인다.
Denoising Diffusion Probabilistic Models
이미지에 잡음을 점진적으로 더한 뒤 그 과정을 거꾸로 학습해 고품질 이미지를 생성하는 확산 모델을 정립했다.
왜 중요한가 오늘날 이미지 생성 서비스 대부분의 이론적 기반이다.
High-Resolution Image Synthesis with Latent Diffusion Models
픽셀 공간 대신 압축된 잠재 공간에서 확산 과정을 수행해 계산량을 크게 줄이면서 고해상도 생성을 가능하게 했다.
왜 중요한가 Stable Diffusion의 원 논문으로, 생성형 AI 대중화의 기술적 배경이다.
NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
몇 장의 사진만으로 장면의 밀도와 색을 연속 함수로 학습해 임의 시점의 사실적 영상을 합성한다.
왜 중요한가 3D 재구성·메타버스 관련 과제의 핵심 인용 문헌이다.
가능합니다. 확산 모델은 '노이즈를 더했다가 되돌린다'는 직관만 정확히 전달하면 충분하며, 상세 정리 페이지의 발표 구성안이 그 순서를 따릅니다.
아래 검색창은 전 세계 학술 데이터베이스(OpenAlex)에서 실시간으로 논문을 찾습니다.