HoLo-FuSe는 동결된 0-파라미터 HoLo Semantic Layer (HSL) 바이트 기판이 이미지 생성을 위한 확산 모델을 효과적으로 조건화할 수 있음을 입증했습니다. 이 프로젝트는 이 결정론적인 27-D 특징 프레임이 전통적인 학습 임베딩을 대체하여 클래스 조건부 DDPM의 조건화 메커니즘으로 기능할 수 있는지 테스트합니다.

  • 단일 Colab T4에서 ~35M U-Net 파라미터로 16k 스텝, 128px 해상도에서 훈련됨.
  • 분류자 없는 가이드와 코사인 스케줄을 사용하는 AFHQ 동물 얼굴 데이터셋 (Cat/Dog).
  • 시드 일치 정성 결과는 HSL 조건화가 예산 일치 학습 임베딩 제어와 비교하여 동등한 성능을 보임을 나타냅니다.
  • 모든 암에서 관찰된 배경색 틴트는 기판이 아닌 과소 훈련으로 귀인됩니다.

저자들은 이를 작동 증명으로 간주하며, 동결된 기판이 학습된 제어와 마찬가지로 클래스 생성을 유도할 수 있음을 확립했고, 향후 작업은 더 긴 훈련을 통한 품질 개선에 중점을 두고 있습니다.