text-to-video-diffusion
텍스트-투-비디오 확산(디퓨전)
문장을 조건으로 연속적인 프레임을 생성하는 확산 기반 생성 모델이다. 노이즈에서 점진적으로 깨끗한 비디오 잠재표현을 복원하는 학습 목표를 가지며, 시공간적 패턴과 언어-시각 정렬을 동시에 내재화한다. 본 논문에서는 이러한 사전학습된 모델의 내부 표현을 특징 추출기로 재활용해 다양한 인식 과제를 일회성(feed-forward)으로 해결한다.
중급
텍스트-투-비디오 확산(디퓨전)
문장을 조건으로 연속적인 프레임을 생성하는 확산 기반 생성 모델이다. 노이즈에서 점진적으로 깨끗한 비디오 잠재표현을 복원하는 학습 목표를 가지며, 시공간적 패턴과 언어-시각 정렬을 동시에 내재화한다. 본 논문에서는 이러한 사전학습된 모델의 내부 표현을 특징 추출기로 재활용해 다양한 인식 과제를 일회성(feed-forward)으로 해결한다.
