섹션별 상세
기존 레이어 분해 모델 학습은 쌍을 이룬 데이터가 필요하다는 한계가 있었다. Stable-Layers는 VLM의 피드백을 보상 신호로 활용하여 이러한 의존성을 제거한다.
학습 과정에서 LoRA 어댑터를 사용하고 Flow-GRPO 알고리즘을 적용한다. 이미지당 여러 후보를 샘플링하고 VLM이 이를 평가하여 그룹 상대적 이점(group-relative advantages)을 최적화한다.
VLM이 단일 샘플 평가 시 점수 범위가 좁아지는 문제를 해결하기 위해 2단계 평가 파이프라인을 설계했다. 5가지 편집 기준에 따른 개별 평가 후, 모든 후보를 한 화면에 배치해 재평가하는 그리드 기반 보정을 수행한다.
Crello 데이터셋에서 Stable-Layers는 기존 모델 대비 레이어 분리도가 높고, 빈 레이어나 아티팩트가 적으며, 레이어별 재구성 오류가 낮게 나타났다.
근거
- Stable-Layers produces decompositions with stronger layer separation, fewer blank or artifact-heavy layers, and lower per-layer reconstruction error on the Crello dataset compared to the base model. — Conclusion section of the text
기술
- Stable-Layers
- Qwen-Image-Layered
- LoRA
- Flow-GRPO
활용 사례
- Image Layer Decomposition
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 04.수집 2026. 06. 04.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
