리빈난

개요

리빈난(Bingnan Li)은 알리바바 Qwen 사업부(Qwen Business Unit) 소속 연구자입니다. 확산 모델의 조건부 생성과 증류를 다룹니다.

생애

UC 샌디에이고에서 Zhuowen Tu 교수의 MLPC 연구실에 있었습니다. 이 시기 대표 작업이 OverLayBench로, NeurIPS 2026에 채택됐습니다. 이후 알리바바 Qwen 사업부로 옮겼습니다.

업적

OverLayBench는 레이아웃-투-이미지 생성에서 바운딩 박스가 크게 겹칠 때 기존 방법이 무너진다는 문제를 다룹니다. 겹침 영역이 넓거나, 겹친 객체들의 의미 차이가 작을 때가 특히 어렵습니다. 이 난이도를 정량화하는 OverLayScore라는 지표를 만들고, 그 점수 분포가 균형 잡힌 벤치마크를 함께 내놓았습니다.

2026년 7월 공개한 Rethinking Classifier-Free Guidance in On-Policy Diffusion Distillation에서는 다른 종류의 문제를 짚습니다. CFG를 쓰는 확산 모델을 on-policy로 증류할 때, 합성된 예측만 맞추면 양·음 분기의 오차가 서로 상쇄돼 목적함수가 미결정(under-identified) 상태가 된다는 것입니다. 저자들은 이 실패 모드에 Negative Branch Asymmetry(NBA)라는 이름을 붙이고, 합성 이전 단계에서 감독하는 Positive-Direction Matching(PDM)을 제안했습니다.

두 작업의 공통점은 기존 평가나 학습 목적함수가 놓치고 있던 자리를 정확히 지목한다는 점입니다. 새 아키텍처보다 문제 정의를 다시 쓰는 쪽입니다.

여담

Zhuowen Tu 그룹은 벤치마크와 평가 방법론에서 오랜 성과를 낸 곳입니다. 리빈난이 알리바바로 옮긴 뒤 내놓은 첫 논문이 벤치마크가 아니라 학습 목적함수의 식별 가능성을 다룬 것은 흥미로운 이동입니다. 다만 "기존 지표가 무엇을 놓치는가"에서 "기존 손실이 무엇을 구속하지 못하는가"로 질문의 형태만 바뀐 것으로 볼 수도 있습니다.

주요 논문

• OverLayBench: A Benchmark for Layout-to-Image Generation with Dense Overlaps (NeurIPS 2026)
• Rethinking Classifier-Free Guidance in On-Policy Diffusion Distillation