EXPLORINEER
ko

arXiv 2611.06741

TailSteer: 드리프트에 강한 다중 턴 이미지 편집을 위한 궤적 꼬리 조향

TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing

AI추천 35

저자: Ruikang Li, Zixuan Chen, Jiarui Wu, Mingde Yao, Yiyuan Zhang, Yujin Wang, Hanming Deng, Lewei Lu +1

개요

저자들은 편집 모델을 여러 턴에 걸쳐 더 견고하게 만드는 최종 단계 학습 프레임워크인 TailSteer를 제안합니다. 초기 디노이징 동역학은 기본 모델과 가깝게 유지하고, 원본 콘텐츠를 보존 기준으로 삼은 모델 자체의 온-폴리시 롤아웃으로 궤적 꼬리 부근의 보존 보정을 학습합니다.

소개

편집된 이미지를 여러 턴에 걸쳐 재사용하면 의도하지 않은 작은 변화가 누적되어 심각한 시각적 드리프트가 발생합니다. 기존 방법은 다중 턴 데이터로 재학습하여 사전 학습된 사전 지식을 바꾸거나, 파운데이션 모델에 확장하기 어려운 추론 시점 기법에 의존합니다.

결과

TailSteer는 FLUX, SenseNova, Qwen 모델 계열 전반에서 15~20턴에 걸친 누적 드리프트를 크게 줄입니다. 이와 동시에 텍스트-이미지 및 단일 이미지 편집 벤치마크에서 기본 모델의 성능을 대체로 유지합니다.

결론

기존 파운데이션 모델의 핵심 능력을 재학습하지 않고도 장기 편집 견고성을 부여할 수 있음을 보여주며, 이는 실용적인 다중 턴 편집에 중요한 의미를 가집니다.

출처: arXiv에서 논문 보기 ↗

이 글은 원문을 바탕으로 AI가 쉬운 말로 다시 쓴 해설입니다. 사실관계는 원문을 확인하세요.

같은 뉴스, 다른 눈으로