2025년 10월, 청화대학교와 콰이쇼우 켈링 연구팀은 시각적 생성을 위한 자기 감독 표현(SVG)을 공동으로 제안했습니다. 관련 연구 결과는 논문 "[…]"에 게재되었습니다.변분 자동 인코더가 없는 잠재 확산 모델".

SVG는 변이 자동 인코더(VAE)를 필요로 하지 않는 새로운 잠재 확산 모델로, 시각적 생성을 위한 자기 지도 표현을 제공합니다. 이 모델은 동결된 DINO 특징을 활용하여 의미적으로 구별되는 특징 공간을 구축하는 동시에, 가벼운 잔차 분기는 고품질 재구성을 위해 세밀한 세부 정보를 포착합니다. 확산 모델은 이렇게 의미적으로 구조화된 잠재 공간에서 직접 학습되어 더욱 효율적인 학습을 가능하게 합니다. 따라서 SVG는 확산 학습을 가속화하고, 샘플링 단계를 줄이며, 생성 품질을 향상시킵니다.