https://scholar.dgist.ac.kr/handle/20.500.11750/91 2026-09-10T21:40:33Z https://scholar.dgist.ac.kr/handle/20.500.11750/60820 Title: Design Of Time-Based ADC Using GROSC-Based TDC For Wireline Data Communications Author(s): Jaemin Lee Description: Analog-to-digital converter （ADC）, voltage-to-time converter （VTC）, time-to-digital converter （TDC）, gated-ring oscillator （GROSC）, time-interleaving （TI）. 2025-12-31T15:00:00Z https://scholar.dgist.ac.kr/handle/20.500.11750/60819 Title: Attention Dilution and Overlap Resolver for Complex Prompts in Text-to-Image Diffusion Models Author(s): Seungjun Hyun Abstract: Text-to-image diffusion models have recently achieved impressive advances, generating high-quality and realistic images. Nevertheless, they continue to struggle with semantic misalignment, particularly when parsing complex prompts that involve multiple objects and diverse attributes. In this work, we analyze the cross-attention behavior of text-to-image diffusion models and identify two primary contributors to semantic misalignment: cross- attention overlap and cross-attention dilution. Building on these insights, we introduce ADOR, a training-free framework that mitigates semantic misalignment in a single forward pass without relying on external information. ADOR comprises two complementary modules: the Attention Overlap Disentangler (AO-Disentangler) and the Attention Dilution Reviver (AD-Reviver). The AO-Disentangler employs distance-based masking to reduce cross- attention overlap between noun phrases, thereby improving the disentanglement of object–attribute pairs. The AD-Reviver addresses the decline in average cross-attention intensity that arises with longer prompts by applying L2 normalization or selective amplification, ensuring that semantic concepts remain represented during generation. Our evaluation demonstrates that ADOR achieves state-of-the-art performance on standard benchmarks while remaining computationally efficient. Keywords: Image Generation, Diffusion Models, Semantic Misalignment, Attention Overlap, Attention Dilution|시각적 세분화는 이미지 이해부터 복잡한 비디오 분석에 이르기까지 다양한 사용자 요구에 의해 주도되는 컴퓨터 비전의 근본적인 작업입니다. 이러한 응용 분야 전반의 핵심 과제는 의미론적 일관성을 유지하는 것이며, 특히 모델이 도메인 변화, 시간적 단절, 복잡한 언어를 특정 비디오 콘텐츠에 정렬해야 하는 어려움에 직면하는 동적이고 실제적인 환경에서 이는 더욱 중요합니다. 우리는 의미론적 불일치의 세 가지 핵심 영역을 점진적으로 다루며, 지도 신호를 지능적으로 정제함으로써 견고한 세분화가 달성될 수 있음을 입증합니다. 첫째, 모델이 합성 데이터로부터 여러 실제 도메인으로 일반화하는 데 실패하는 이미지 수준의 의미론적 세분화를 위한 일반화 문제를 다룹니다. 우리는 단일 네트워크에서 다양한 타겟 도메인 분포를 시뮬레이션하여 광범위한 시각적 스타일을 포괄하는 직접 적응 프레임워크를 제안합니다. 이 프레임워크는 의미론적으로 모호한 영역을 식별하고 필터링하여 모델이 도메인 불변의 일관된 특징을 학습하도록 강제하는 양방향 적응형 영역 선택 전략을 구현함으로써 학습 신호를 동시에 정제합니다. 둘째, 시간적 일관성 유지가 가장 중요한 비디오 인스턴스 세분화로 이 원칙을 확장합니다. 가려짐 현상 중 오래된 특징으로 인한 메모리 오염으로 발생하는 추적 실패를 해결하기 위해, 우리는 새로운 메모리 관리 시스템을 제안합니다. 우리는 특징을 평균화하는 대신 가려짐 중에 최신의 유효한 객체 상태만을 저장하고 이 상태를 유지하는 메모리 메커니즘을 활용하여 일관성을 보장합니다. 또한, 기존 객체와 새로 나타나는 객체를 분리하여 관리함으로써 모호성을 해결하는 연관 전략으로 이를 보완합니다. 셋째, 지시형 세분화에서 비디오와 텍스트 간의 의미론적 정렬이라는 복잡한 과제를 다룹니다. 우리는 모델이 행동 기반 텍스트를 관련 없는 정적 프레임과 연관시키도록 강제되는, '의미론적 모순'이라 명명한 기존 학습의 근본적인 결함을 식별합니다. 우리는 명시적인 시간 주석을 사용하여 교차 양식 신호를 정제하는 시간 기반 학습 프레임워크를 제안합니다. 우리는 언어적 설명이 능동적으로 참(true)인 시공간적 세그먼트에서만 손실을 적용하는 선택적 지도 메커니즘을 통해 이를 달성합니다. 요약하면, 이러한 기여들은 이미지 수준의 일반화에서 시간적 일관성, 그리고 시공간-언어 정렬로 이어지는 일관된 진행 과정을 보여주며, 의미론적 불일치를 방지하기 위한 지도 신호의 세심한 정제가 동적 환경에서 의미론적으로 일관된 시각적 세분화를 달성하기 위한 핵심 원칙임을 확립합니다. Description: Image Generation, Diffusion Models, Semantic Misalignment, Attention Overlap, Attention Dilution 2025-12-31T15:00:00Z https://scholar.dgist.ac.kr/handle/20.500.11750/60818 Title: Data-Driven Planning and Control for Autonomous Racing with Behavioral Systems Theory Author(s): Jae Man Han Abstract: This thesis presents a data-driven framework for autonomous racing based on behavioral systems theory, which requires no explicit model identification and relies solely on input- output data to capture vehicle dynamics. Conventional model-based approaches often struggle to accurately capture the highly nonlinear tire-road interactions, and their re- liance on model linearization for real-time optimization can lead to performance degrada- tion due to model mismatch. Learning-based approaches, on the other hand, can approx- imate nonlinear models through offline training, but typically require large-scale training data and extensive offline training, which limits their practicality in rapidly changing rac- ing environments. Unlike these approaches, the proposed framework does not require large training datasets or offline training. The framework addresses the two primary objectives of autonomous racing: minimizing lap time and ensuring safe driving, and is progressively developed as follows. First, Data-Enabled Predictive Control （DeePC） is applied to an autonomous racing task on a 1/27-scale remote control car platform. To better suit the racing context, the cost function is formulated using contouring and lag errors rather than a simple output track- ing error. The proposed controller is validated through both simulation and real-world experiments on two different tracks, demonstrating stable and safe trajectory tracking without track boundary violations. However, the method operates at a constant velocity, leaving room for improvement in terms of lap time. Second, a curvature-based velocity profile is incorporated into the DeePC framework to enable appropriate acceleration and deceleration, resulting in improved lap time per- formance compared to the constant-velocity approach. Third, an integrated framework combining behavior model-based motion planning and DeePC tracking is proposed and validated in simulation, showing improved performance compared to conventional centerline-based DeePC approaches. Finally, the proposed framework demonstrates the potential of behavioral systems theory for solving coupled planning and control problems in autonomous racing without explicit modeling, while also highlighting practical challenges related to real-time imple- mentation. Key words : Autonomous Racing, Data-Enabled Predictive Control （DeePC）, Behav- ioral Systems Theory, Motion Planning, Trajectory Tracking, Persistency of Excitation|본 논문은 behavioral systems theory에 기반한 자율주행 레이싱용 데이터 기반 경로 계획 및 제어 프레임워크를 제안한다. 제안된 방법은 명시적인 모델 식별이 필요하지 않으며, 차량의 동역학 특성을 반영하기 위해 시스템의 입출력 데이터만을 사용한다. 기존의 모델 기반 방법들은 타이어와 노면 간의 고도로 비선형적인 상호작용을 정확히 모델링하기 어려우며, 실시간 최적화를 위한 선형화 과정에서 발생하는 모델 불일치로 인해 성능이 저하될 수 있다. 이러한 한계를 극복하기 위해 머신러닝 기법을 활용하여 비선형 모델을 사전에 학습하는 방법이 제안되었으나, 대규모 학습 데이터와 많은 사전 학습 시간을 필요로 하여 실용성이 제한된다. 제안된 프레임워크는 이러한 방법들과 달리 대규모 학습 데이터나 사전 학습을 필요로 하지 않으며, 자율주행 레이싱의 두 가지 주요 목표인 완주 시간 최소화와 안전한 주행을 달성하기 위해 다음과 같이 단계적으로 개발되었다. 첫째, DeePC를 1/27 scale RC car 플랫폼에서의 자율주행 레이싱에 적용하였다. 레이싱 환경에 적합하도록 차량과 경로 간의 종·횡방향 오차를 이용하여 비용 함수를 구성하였으며, 시뮬레이션 및 실제 실험 환경에서 두 가지 트랙에 대해 검증하여 트랙 경계를 벗어나지 않는 안정적이고 안전한 경로 추종 성능을 확인하였다. 다만 등속도 주행으로 운용되어 완주 시간 측면에서 개선의 여지가 있었다. 둘째, 곡률 기반 속도 프로파일을 DeePC 프레임워크에 통합하여 코너와 직선 구간에서 적절한 가감속을 가능하게 함으로써 등속도 주행 대비 향상된 완주 시간 성능을 달성하였다. 셋째, behavior model 기반 motion planning과 DeePC 경로 추종을 결합한 통합 프레임워크를 제안하고 시뮬레이션을 통해 검증하였다. 기존 모델 기반 MPC와의 비교를 통해 입출력 데이터만으로도 유사한 수준의 성능을 달성할 수 있음을 확인하였으며, 차량 특성 변화 시 새로운 주행 데이터 수집만으로 모델 재식별 없이 프레임워크를 갱신할 수 있음을 보였다. 마지막으로, 제안된 프레임워크는 명시적인 모델링 없이 자율주행 레이싱의 경로 계획 및 제어 문제를 해결하기 위한 behavioral systems theory의 가능성을 보여주는 동시에, 실시간 구현과 관련된 실질적인 한계점 또한 제시하였다. Description: Autonomous Racing, Data-Enabled Predictive Control （DeePC）, Behavioral Systems Theory, Motion Planning, Trajectory Tracking, Persistency of Excitation 2025-12-31T15:00:00Z https://scholar.dgist.ac.kr/handle/20.500.11750/60817 Title: Magnetically Self-Assembled, High-Resolution Stretchable Anisotropic Conductive Films for Ultra-Fine Pitch Microdevice Packaging in Soft Electronics Author(s): Minhu Jeon Description: Soft electronics, Advanced packaging, Heterogeneous integration, Anisotropic conductive adhesives, Anisotropic conductive films 2025-12-31T15:00:00Z