paper-review

1. Introduction Mamba-based methods의 “Causal State-Space Modelling” 기존에는 정해진 scanning rule를 통해 2D 이미지를 1D token sequence로 unfold Causal Property:

‘Convolution’의 특징: local connectivity + translation equivalence장점efficiencygeneralization문제Limited receptive field → 장기의존성↓추론 과정 내 Static weights → in

장점복잡한 문맥 모델링에 강함Training Parallelism 가능 단점Bottleneck추론 시에 다음 토큰을 생성할 때, 다시 처음부터 전체 sequence에 대한 attention 계산 필요Quadratic scaling with respect to seque

BasicVSR의 novelty : bidirectional propagation + feature alignmentBasicVSR++의 noveltysecond-order grid propagationflow guided deformable alignement잘못 정

VSR의 접근은 주로 “sliding window”와 “recurrent(순환)” 로 나뉨Sliding WindowEarlier studyLR 프레임 사이의 시각적 흐름 예측 (optical flow between LR frames)정렬 위한 공간 왜곡 수행 (spat

DDPM의 문제 : Markov chain으로 인해 sample을 생성하기 위한 많은 step 필요 (=시간↑)DDIM non-Markovian process → “deterministic” generative processimplicit model that produ

1. Introduction 최근 "객체 인식" 문제에 "머신러닝" 방식이 필수적 성능 개선을 위해서는 데이터셋 크기 ↑ 강력한 모델 오버피팅 방지를 위한 더 나은 기술 데이터셋 크기 간단한 작업의 경우 작은 크기의 데이터로도 해결 가능 BUT 현실에서는 다양하