Models & Algorithms••EN

512×512에서 1024×1024로: Latent Diffusion이 해상도 한계를 깬 방법

픽셀 공간 diffusion의 메모리 폭발 문제를 Latent Space가 어떻게 해결했는지. VAE 압축부터 Stable Diffusion 구조까지 완전 분석.

512×512에서 1024×1024로: Latent Diffusion이 해상도 한계를 깬 방법

Latent Diffusion Models: Stable Diffusion의 핵심 원리

TL;DR: Latent Diffusion은 픽셀 공간 대신 압축된 latent 공간에서 diffusion을 수행합니다. 이로써 고해상도 이미지 생성이 실용적으로 가능해졌고, Stable Diffusion의 기반 기술이 되었습니다.

1. 왜 Latent Space인가?

1.1 픽셀 공간의 문제

DDPM/DDIM의 한계:

🔒

이어서 읽으려면 로그인이 필요합니다

무료 회원가입으로 전체 콘텐츠를 확인하세요.

로그인 / 회원가입

관련 포스트

TurboQuant 실전 — llama.cpp와 HuggingFace에서 KV Cache 압축하기
Models & Algorithms

TurboQuant 실전 — llama.cpp와 HuggingFace에서 KV Cache 압축하기

llama.cpp turbo3 빌드, HuggingFace 통합, 메모리 계산기, 최적 설정 가이드. 70B 모델 536K 컨텍스트 실현.

TurboQuant 완전 해부 — Google의 KV Cache 극한 압축 알고리즘
Models & Algorithms

TurboQuant 완전 해부 — Google의 KV Cache 극한 압축 알고리즘

PolarQuant + Lloyd-Max로 KV Cache를 3비트까지 압축. 리트레이닝 없이 4.6배 메모리 절약, 정확도 손실 제로.

Qwen 3.5 파인튜닝 실전 가이드 — LoRA로 나만의 모델 만들기
Models & Algorithms

Qwen 3.5 파인튜닝 실전 가이드 — LoRA로 나만의 모델 만들기

Qwen 3.5를 LoRA/QLoRA로 파인튜닝하는 전 과정을 다룹니다. 8GB GPU에서도 가능한 QLoRA 설정부터 Unsloth 최적화, GGUF 변환, Ollama 배포까지.