• 목록

[일시]
2025.10.29

[세미나 주제]
Efficient Image Restoration via Diffusion based Inpainting

[발표자]
장효영

[요약]
본 발표는 이미지 인페인팅(Image Inpainting) 문제를 효율적으로 해결하기 위한 확산 모델(Diffusion Model) 기반 복원 기법을 다루었다. 발표는 기존의 전통적, GAN, 오토리그레시브 기반 방법의 한계를 짚으며, 최근 연구인 RePaint(CVPR 2022)와 LatentPaint(WACV 2024)를 중심으로 효율성과 품질 측면에서의 발전을 설명하다. RePaint는 사전 학습된 무조건 확산 모델을 사용하여 마스크 영역을 복원하는 사후 조건(post-conditioned) 접근법이다. 리샘플링(resampling)을 통해 마스크 경계의 불연속성을 줄이고 시각적 자연스러움을 높였으나, 연산량이 많고 추론 속도가 느리다는 단점이 존재한다. LatentPaint는 확산 과정을 잠재공간(latent space) 에서 수행하며, 조건부 정보 결합(Latent Space Conditioning)과 Explicit Propagation(EP) 모듈을 통해 구조적 일관성과 복원 품질을 향상시켰다. 그 결과 RePaint보다 10~20배 빠른 추론 속도와 더 낮은 FID·LPIPS 점수를 달성하였다. 결론적으로, 본 발표는 확산 모델 기반 인페인팅이 기존 기법보다 높은 복원 품질과 효율성을 모두 달성할 수 있음을 보여주며, 특히 LatentPaint 방식의 잠재공간 미세조정(fine-tuning)이 향후 도메인 특화 복원에 효과적으로 활용될 수 있음을 강조하였다.

[관련 논문]
- Repaint: Inpainting Using Denoising Diffusion Probabilistic Models
- LatentPaint: Image Inpainting in Latent Space With Diffusion Models

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/coTnm7iOMms3PKMGX02XvfndGNx_fqqRAbxQPmkgGR_1AiHeLBu8blAKzloSBpQB.5-BT-vP_y-geuxc3