diff --git a/README.md b/README.md
index 21552f14..58edd8d0 100644
--- a/README.md
+++ b/README.md
@@ -2,24 +2,32 @@
 ## 2409
 #### [WildVis: Open Source Visualizer for Million-Scale Chat Logs in the Wild](summaries/2409.03753.md)
 #### [Attention Heads of Large Language Models: A Survey](summaries/2409.03752.md)
+#### [Geometry Image Diffusion: Fast and Data-Efficient Text-to-3D with Image-Based Surface Representation](summaries/2409.03718.md)
+#### [CDM: A Reliable Metric for Fair and Accurate Formula Recognition Evaluation](summaries/2409.03643.md)
+#### [FrozenSeg: Harmonizing Frozen Foundation Models for Open-Vocabulary Segmentation](summaries/2409.03525.md)
+#### [From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents](summaries/2409.03512.md)
 #### [mPLUG-DocOwl2: High-resolution Compressing for OCR-free Multi-page Document Understanding](summaries/2409.03420.md)
 #### [LongCite: Enabling LLMs to Generate Fine-grained Citations in Long-context QA](summaries/2409.02897.md)
 #### [LongLLaVA: Scaling Multi-modal LLMs to 1000 Images Efficiently via Hybrid Architecture](summaries/2409.02889.md)
 #### [MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark](summaries/2409.02813.md)
 #### [Loopy: Taming Audio-Driven Portrait Avatar with Long-Term Motion Dependency](summaries/2409.02634.md)
+#### [Building Math Agents with Multi-Turn Iterative Preference Learning](summaries/2409.02392.md)
 #### [Arctic-SnowCoder: Demystifying High-Quality Data in Code Pretraining](summaries/2409.02326.md)
 #### [FastVoiceGrad: One-step Diffusion-Based Voice Conversion with Adversarial Conditional Diffusion Distillation](summaries/2409.02245.md)
 #### [LinFusion: 1 GPU, 1 Minute, 16K Image](summaries/2409.02097.md)
 #### [DepthCrafter: Generating Consistent Long Depth Sequences for Open-world Videos](summaries/2409.02095.md)
 #### [Political DEBATE: Efficient Zero-shot and Few-shot Classifiers for Political Text](summaries/2409.02078.md)
 #### [OLMoE: Open Mixture-of-Experts Language Models](summaries/2409.02060.md)
+#### [FuzzCoder: Byte-level Fuzzing Test via Large Language Model](summaries/2409.01944.md)
 #### [Kvasir-VQA: A Text-Image Pair GI Tract Dataset](summaries/2409.01437.md)
 #### [GenAgent: Build Collaborative AI Systems with Automated Workflow Generation -- Case Studies on ComfyUI](summaries/2409.01392.md)
 #### [Know When to Fuse: Investigating Non-English Hybrid Retrieval in the Legal Domain](summaries/2409.01357.md)
+#### [Guide-and-Rescale: Self-Guidance Mechanism for Effective Tuning-Free Real Image Editing](summaries/2409.01322.md)
 #### [OD-VAE: An Omni-dimensional Video Compressor for Improving Latent Video Diffusion Model](summaries/2409.01199.md)
 #### [Affordance-based Robot Manipulation with Flow Matching](summaries/2409.01083.md)
 #### [VideoLLaMB: Long-context Video Understanding with Recurrent Memory Bridges](summaries/2409.01071.md)
 #### [Follow-Your-Canvas: Higher-Resolution Video Outpainting with Extensive Content Generation](summaries/2409.01055.md)
+#### [Report Cards: Qualitative Evaluation of Language Models Using Natural Language Summaries](summaries/2409.00844.md)
 #### [ContextCite: Attributing Model Generation to Context](summaries/2409.00729.md)
 #### [Diffusion Policy Policy Optimization](summaries/2409.00588.md)
 #### [FLUX that Plays Music](summaries/2409.00587.md)
diff --git a/summaries/2409.00844.md b/summaries/2409.00844.md
new file mode 100644
index 00000000..ca58e1df
--- /dev/null
+++ b/summaries/2409.00844.md
@@ -0,0 +1,26 @@
+# Report Cards: Qualitative Evaluation of Language Models Using Natural Language Summaries
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.00844.pdf](https://arxiv.org/pdf/2409.00844.pdf)
+
+### 섹션별 요약
+
+#### 1. Introduction
+이 논문은 AI 모델 평가를 위한 질적 평가 방법인 "레포트 카드"를 소개합니다. 기존 양적 평가 방법에는 모델의 조금 더 세밀한 성능과 문맥을 이해하기 어려운 문제점이 있습니다. 이를 보완하기 위해, 우리의 접근 방식은 모델의 복잡한 행동을 해석 가능한 요약을 통해 평가하는 것입니다.
+
+#### 2. PRESS Algorithm
+PRESS (Progressive Refinement for Effective Skill Summarization) 알고리즘은 레포트 카드를 생성하기 위해 다단계로 질문-완성 짝을 요약하는 방법입니다. 각 단계에서 모델의 성능을 점진적으로 요약하고, 최종적으로 종합된 요약을 제공합니다. 이 방법은 단발성 프롬프트보다 더 구체적이고 해석 가능한 레포트 카드를 생성할 수 있습니다.
+
+#### 3. Experiments
+실험을 통해 우리의 레포트 카드가 기존의 평가 방법보다 더 높은 구별력과 신뢰성을 가지는 것을 확인했습니다. 이 실험에는 다양한 AI 모델들이 사용되었으며, STEM 과목, 역사, 생물학 등 여러 주제에서의 성능을 평가했습니다. 데이터셋으로는 MMLU (Massive Multitask Language Understanding)와 Anthropic Advanced AI Risk 데이터셋이 사용되었습니다.
+
+#### 4. Contrastive Evaluation
+대조 평가 방법은 두 모델의 레포트 카드를 사용하여 퀴즈 질문에 대한 모델의 응답을 평가하는 방법입니다. 각 질문 세트에서 모델의 응답을 비교하고, 어떤 모델이 더 나은 성능을 보이는지를 판단합니다. 이 방법을 통해 레포트 카드의 구체성과 신뢰성을 측정할 수 있습니다.
+
+#### 5. Conclusion
+레포트 카드는 AI 모델 성능의 질적 평가를 가능하게 하는 새로운 도구로, 양적 지표와 결합하여 더 완성도 높은 평가를 수행할 수 있습니다. 우리의 PRESS 알고리즘을 통해 생성된 레포트 카드는 다양하고 광범위한 주제와 데이터셋에 대해 해석 가능하고 신뢰할 수 있는 요약을 제공함을 실험을 통해 입증했습니다. 향후에는 더 넓은 분야와 주제로 레포트 카드를 확장하고, 인간 평가자와의 비교를 통해 더 밀도 높은 평가를 실시할 계획입니다.
+
+### 전체 요약
+이 논문은 AI 모델 평가를 위해 개발된 PRESS 알고리즘을 사용한 레포트 카드를 소개합니다. 기존 양적 평가 방법의 제한점을 보완하고자, 모델의 성능을 인터프리터블한 요약으로 제공하는 방식을 제안합니다. 다양한 실험을 통해 레포트 카드의 구체성과 신뢰성을 입증하였으며, 이는 기존의 평가 기법보다 더 나은 구별력과 신뢰성을 제공합니다. 레포트 카드는 교육, 의료, 법률 등 다양한 도메인에 적용할 수 있는 가능성을 열었으며, AI 연구 분야에서 중요한 도구로 자리 잡을 수 있을 것입니다.
+
+논문이 제안한 PRESS 알고리즘과 레포트 카드 평가 방법론은 미래 방향성에서 다양한 응용과 확장을 계획하고 있으며, 이를 통해 AI 모델의 성능 평가가 한층 더 정교하고 신뢰성 있게 이루어질 수 있습니다.
\ No newline at end of file
diff --git a/summaries/2409.01322.md b/summaries/2409.01322.md
new file mode 100644
index 00000000..02d08532
--- /dev/null
+++ b/summaries/2409.01322.md
@@ -0,0 +1,39 @@
+# Guide-and-Rescale: Self-Guidance Mechanism for Effective Tuning-Free Real Image Editing
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.01322.pdf](https://arxiv.org/pdf/2409.01322.pdf)
+
+### 요약
+
+이 논문에서는 실제 이미지 편집을 위한 **Guide-and-Rescale** 방법을 제안하며, 이는 자가-가이드 메커니즘을 기반으로 한 방법입니다. 주요 내용은 다음과 같습니다.
+
+#### 1. 초록
+- 최신 텍스트-이미지 생성 모델의 발전에도 불구하고, 실제 이미지 편집에는 여전히 많은 한계가 있습니다.
+- 이 논문에서는 자가-가이드 기술과 노이즈 재조정 메커니즘을 통해 이미지의 구조와 지역적 모습을 유지하면서 고품질의 편집을 가능하게 하는 방법을 제안합니다.
+
+#### 2. 도입
+- 확산 모델이 빠르게 발전하면서 텍스트-이미지 생성에 사용되고 있지만, 실제 이미지 편집에는 여전히 어려움이 있습니다.
+- 기존 방법의 한계를 극복하기 위해 자가-가이드 기술과 노이즈 재조정 메커니즘을 제안하여 효율적이고 높은 품질의 이미지를 생성합니다.
+
+#### 3. 관련 연구
+- **최적화 기반 방법:** 확산 모델을 입력 이미지에 맞게 조정하여 구조와 세부 정보를 보존하는 방법이 있으나 처리 시간이 길다는 단점이 있습니다.
+- **내부 표현 활용 방법:** 이미지의 내부 표현을 사용하여 구조와 세부 정보를 보존하며 편집하는 방법이 있지만, 특정 조정이 필요하고 범용성이 부족합니다.
+- **고품질 재구성 방법:** 역 확산 과정의 전후 차이를 최소화하여 이미지를 재구성하는 방법이나 시간이 많이 소요됩니다.
+
+#### 4. 제안 방법
+- 자가-가이드 기술을 통해 이미지의 전반적인 구조와 지역적인 모습을 유지하면서 편집할 수 있도록 합니다.
+- 노이즈 재조정 메커니즘을 도입하여 분류기 프리 가이드(CFG)의 정상성을 유지합니다.
+- 이 방법은 특정 재구성이나 모델의 미세 조정이 필요하지 않아 계산 효율적입니다.
+
+#### 5. 실험
+- 확산 모델을 안정적으로 작동시키기 위해 성능 비교 실험을 수행했습니다.
+- 제안된 방법이 편집 품질(CLIP)과 원본 이미지 보존(LPIPS)에서 더 나은 균형을 보여줌을 확인했습니다.
+- 사용자의 선호도 조사에서도 높은 평가를 받았습니다.
+
+#### 6. 결론
+- 자가-가이드와 노이즈 재조정 메커니즘을 포함한 새로운 이미지 편집 방법을 제안하여 효율적이고 고품질의 편집 결과를 제공합니다.
+- 인간 평가와 정량적 분석을 통해 제안 방법이 더 선호됨을 입증했습니다.
+
+### 종합 요약
+
+이 논문은 "Guide-and-Rescale"이라는 새로운 이미지 편집 방법을 제안합니다. 이 방법은 원본 이미지의 구조와 세부 정보를 유지하면서 고품질의 편집 결과를 제공하는 자가 가이드 기술과 노이즈 재조정 메커니즘을 사용합니다. 제안된 방법은 특정 모델의 미세 조정이나 추가적인 최적화가 필요 없어 계산 효율적이며, 다양한 편집 유형에 대해 높은 편집 품질과 원본 이미지 보존 능력을 보여줍니다. 실험과 사용자 선호도 조사 결과, 이 방법이 현재의 대부분의 방법보다 더 나은 성능을 보였습니다.
\ No newline at end of file
diff --git a/summaries/2409.01944.md b/summaries/2409.01944.md
new file mode 100644
index 00000000..d20e983c
--- /dev/null
+++ b/summaries/2409.01944.md
@@ -0,0 +1,29 @@
+# FuzzCoder: Byte-level Fuzzing Test via Large Language Model
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.01944.pdf](https://arxiv.org/pdf/2409.01944.pdf)
+
+### 1. 각 섹션 요약
+
+#### 1. 서론 (Introduction)
+이 논문은 **퍼징** 기법을 통한 소프트웨어 결함 검출을 주제로 다룹니다. 퍼징은 프로그램에 랜덤 또는 의도된 잘못된 입력을 제공하여 취약점을 찾는 동적 테스트 기법으로, 주로 하드웨어와 소프트웨어 시스템의 버그를 찾아내는 데 사용됩니다. 본 논문에서는 특히 대형 언어 모델(LLM)을 활용하여 퍼징 테스트를 개선하는 방법을 제안합니다.
+
+#### 2. 관련 연구 (Related Work)
+퍼징 테스트의 다양한 접근법과 기존 연구가 소개됩니다. 이전 연구들은 주로 문법 기반 모델링이나 시드 파일의 취약 위치 예측 등에서 성과를 내었지만, 이 논문에서는 LLM을 활용하여 시퀀스 투 시퀀스 모델로 컨텍스트 이해와 생성 능력을 한층 더 강화하고자 합니다.
+
+#### 3. FUZZCODER의 제안 (Proposed Method - FUZZCODER)
+**FUZZCODER**는 퍼징 테스트를 위해 미세 조정된 대형 언어 모델입니다. 이 모델은 **Fuzz-Instruct** 데이터셋을 기반으로 학습되어 퍼징 과정에서 입력 파일의 변형 위치와 전략을 예측합니다. 실험 결과, FUZZCODER는 기존 기법에 비해 더 높은 효율성과 성능을 보여줍니다.
+
+#### 4. 실험 결과 (Experimental Results)
+FUZZCODER는 다양한 입력 파일 형식(ELF, JPG, MP3, XML)에서 성능을 평가받았습니다. 실험 결과, FUZZCODER는 더 많은 코드 커버리지와 높은 비율의 프로그램 충돌을 유발하여 퍼징 성능을 크게 향상시켰습니다. 또한, 여러 퍼징 기법과 비교했을 때 변형 비율과 충돌 수에서 우수성을 입증했습니다.
+
+#### 5. 결론 (Conclusion)
+이 논문은 FUZZCODER가 자동화된 퍼징 테스트에서 대형 언어 모델의 강력한 가능성을 보여준다고 결론 내립니다. FUZZCODER는 지속적인 연구와 발전을 통해 소프트웨어 보안과 품질 향상에 크게 기여할 수 있습니다.
+
+### 2. 전체 요약
+
+이 논문은 퍼징 테스트를 개선하기 위해 **미세 조정된 대형 언어 모델인 FUZZCODER**를 제안합니다. 퍼징 테스트는 프로그램의 취약점을 찾기 위한 동적 테스트 기법으로, FUZZCODER는 이를 위해 대형 언어 모델 기반의 시퀀스 투 시퀀스 모델을 사용합니다. FUZZCODER는 Fuzz-Instruct 데이터셋을 통해 학습되어 입력 파일의 변형 위치와 전략을 효과적으로 예측하고, 실험 결과 ELF, JPG, MP3, XML 형식의 파일에서도 기존 퍼징 기법 대비 우수한 성능을 보였습니다. 결론적으로, FUZZCODER는 소프트웨어 보안 및 품질 향상에 중요한 도구가 될 수 있습니다.
+
+---
+
+이 요약은 AI와 머신 러닝을 통해 소프트웨어 테스트와 보안 연구를 진행하는 데 유용하게 사용될 것입니다. 추가 질문이나 필요한 내용이 있으면 언제든지 말씀해 주세요.
\ No newline at end of file
diff --git a/summaries/2409.02392.md b/summaries/2409.02392.md
new file mode 100644
index 00000000..6d54ffd6
--- /dev/null
+++ b/summaries/2409.02392.md
@@ -0,0 +1,25 @@
+# Building Math Agents with Multi-Turn Iterative Preference Learning
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.02392.pdf](https://arxiv.org/pdf/2409.02392.pdf)
+
+### 1. 섹션별 요약과 주요 기여 및 혁신 부분
+
+#### Introduction
+AI와 머신러닝 모델, 특히 대형 언어 모델(LLMs)의 수학 문제 해결 능력 향상을 위해 코드 인터프리터 같은 외부 도구 통합과 다단계 Chain-of-Thought(CoT) 추론 기법이 사용되고 있습니다. 본 논문은 기존의 단일 턴 대화 특화된 알고리즘이 다단계 추론과 외부 도구 통합의 복잡성을 완전히 해결하지 못함에 따라 다단계 선호도 학습 프레임워크를 제시합니다. 이를 통해 다양한 언어 모델의 성능 향상을 입증합니다.
+
+#### Algorithms Development
+이 섹션에서는 계획 문제의 최적화 조건을 설정하고, 다단계 직접 정렬 알고리즘(M-DPO 및 M-KTO)을 개발합니다. 특히 각 학습 과정에서 불필요한 토큰을 마스킹하는 방법을 도입합니다. 또한 온라인 반복적인 변형 알고리즘이 효과적임을 입증하고, 이에 대한 평가를 위해 MATH와 GSM8K 벤치마크 데이터를 사용합니다.
+
+#### RL에서 다단계 다중 턴 추론을 위한 학습 목표 및 프레임워크
+이 섹션은 최적화 조건을 설정하고, 다단계 직접 정렬 알고리즘(M-DPO 및 M-KTO)을 개발합니다. 또한 학습 목표를 바탕으로 온라인 반복적인 변형 알고리즘이 효과적임을 입증합니다.
+
+#### Conclusion, Limitation, and Future Research Direction
+본 논문에서는 선호도 학습이 도구 통합 추론 LLM의 성능을 크게 향상시킬 수 있음을 입증했습니다. 향후 연구 방향으로는 더욱 세밀한 보상 신호 활용, 적응형 여유 및 길이 규제 등을 제안합니다. 또한 이 알고리즘이 일반적인 에이전트 학습에 적용될 수 있도록 확장할 계획입니다.
+
+### 2. 전체 요약
+
+본 논문은 대형 언어 모델(LLMs)의 수학 문제 해결 능력을 향상시키기 위해 다단계 직접 선호도 최적화 알고리즘(M-DPO 및 M-KTO)을 제안합니다. 이는 외부 도구와의 상호작용을 통한 다단계 추론의 복잡성을 해결하며, GSM8K 및 MATH 데이터셋을 사용한 실험 결과 기존의 단일 턴 알고리즘 대비 우수한 성능을 보였습니다. 논문에서는 최적화 조건 설정, 다양한 학습 목표 및 프레임워크 개발, 실험적 검증을 통한 모델 성능 향상을 다룹니다. 향후 연구는 더욱 정밀한 보상 신호 및 일반 에이전트 학습으로의 확장을 목표로 합니다.
+
+---
+이 요약을 바탕으로 발표 자료를 만드실 수 있습니다. 추가 문의사항이 있으시면 언제든지 말씀해 주세요!
\ No newline at end of file
diff --git a/summaries/2409.03512.md b/summaries/2409.03512.md
new file mode 100644
index 00000000..d723e688
--- /dev/null
+++ b/summaries/2409.03512.md
@@ -0,0 +1,33 @@
+# From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.03512.pdf](https://arxiv.org/pdf/2409.03512.pdf)
+
+### 1. 각 섹션의 중요한 내용 요약
+
+#### 1.1 서론 (Introduction)
+- **핵심 내용**: 
+  서론에서는 온라인 교육의 발전 과정을 설명합니다. 초기에는 물리적 한계를 넘어 지식을 확산시키는 방법으로 시작되었지만, 특히 대규모 개방형 온라인 강좌(MOOC)가 그 중심에 있었습니다. 그러나 개인 맞춤형 학습의 필요성이 부각되면서, 대규모 언어 모델(LLM)의 발전이 이를 해결할 새로운 기회로 작용하게 되었습니다.
+
+#### 1.2 관련 연구 (Related Work)
+- **핵심 내용**: 
+  온라인 학습 환경에서 AI 기술의 활용에 대한 과거의 연구들을 다룹니다. 여기에는 학습 자료의 추천 시스템과 지능형 튜터링 시스템이 포함됩니다. 또한, 대규모 언어 모델(LLM)이 통합된 지능형 튜터링 시스템의 예로 AutoTutor와 Khanmigo 같은 사례를 제시합니다.
+
+#### 1.3 MAIC 개요 (Overview of MAIC)
+- **핵심 내용**: 
+  MAIC(Massive AI-empowered Course)는 LLM 기반의 다중 에이전트 시스템을 활용하여 교육 과정을 확장성과 적응성을 갖춘 형태로 재구성합니다. 교사 역할의 AI 에이전트, AI 조교, 그리고 AI 반 친구들을 통해 개인 맞춤형 학습 경험을 제공합니다. 또한 Tsinghua University에서 처음으로 실험적 연구를 수행하여 긍정적인 초기 결과를 얻었습니다.
+
+#### 1.4 방법론 (Methodology)
+- **핵심 내용**: 
+  MAIC 플랫폼의 주요 기술적 구성 요소와 워크플로우를 소개합니다. 교사와 학생 측면 모두에 대한 작업 흐름을 구체적으로 설명하며, 강의 준비에서부터 강의 전달, 학습 분석까지의 모든 과정을 다룹니다. 이 과정에서 LLM의 다중 모드 이해 및 지식 구조 추출 기술을 활용합니다.
+
+#### 1.5 실험 결과 (Experimental Results)
+- **핵심 내용**: 
+  Tsinghua University에서 두 개의 강좌를 통해 MAIC 시스템을 시험한 결과를 제시합니다. 학생들의 학습 행동 데이터와 설문 조사 결과를 분석하여 MAIC 시스템이 높은 개인화된 학습 환경을 제공하며, 이는 학습 결과의 질을 향상시키는 데 효과적임을 보여줍니다.
+
+#### 1.6 토론 및 결론 (Discussion and Conclusion)
+- **핵심 내용**: 
+  MAIC의 적용이 온라인 교육에 미치는 영향을 논의합니다. 특히, 교육 콘텐츠의 자동 생성 및 제공, 맞춤형 학습 경로 제공, 학습 분석 기능 등을 통해 전통적인 MOOC의 단점을 극복할 수 있음을 설명합니다. 또한, 윤리적 고려사항으로 데이터 보안과 편향 문제를 다룹니다.
+
+### 2. 전체 요약
+이 연구는 전통적인 MOOC 모델의 한계를 극복하고자 대규모 언어 모델(LLM) 기반의 다중 에이전트 시스템(MAIC)을 제안합니다. MAIC는 강사의 역할을 하는 AI 에이전트, AI 조교, AI 반 친구들을 통해 개인화된 학습 경험을 제공하며, 이를 통해 더욱 적응적이고 확장 가능한 학습 환경을 조성합니다. Tsinghua University에서의 실험 결과, MAIC 시스템이 학생들의 학습 결과를 향상시키는 데 긍정적인 효과를 보였으며, 이는 향후 온라인 교육의 새로운 패러다임을 제시할 것으로 기대됩니다. 윤리적 고려사항으로는 데이터 보안과 알고리즘 편향 문제가 있으며, 지속적인 모니터링과 개선이 필요합니다. 마지막으로, MAIC는 교육자, 연구자, 기술 개발자가 협력하여 미래의 온라인 교육 환경을 탐구할 수 있는 플랫폼으로 발전하는 것을 목표로 하고 있습니다.
\ No newline at end of file
diff --git a/summaries/2409.03525.md b/summaries/2409.03525.md
new file mode 100644
index 00000000..742c5f6e
--- /dev/null
+++ b/summaries/2409.03525.md
@@ -0,0 +1,27 @@
+# FrozenSeg: Harmonizing Frozen Foundation Models for Open-Vocabulary Segmentation
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.03525.pdf](https://arxiv.org/pdf/2409.03525.pdf)
+
+### 1. 각 섹션의 요약
+아래는 논문의 주요 섹션을 요약한 것입니다. 각 요약은 한국어로 작성되어 있으며, 발표 자료를 작성하는 데 유용할 수 있도록 상세하게 설명되어 있습니다.
+
+#### Introduction (소개)
+이 섹션에서는 이미지 분할의 중요성과 기존 방법의 한계를 설명하고 있습니다. 기존 방법들은 특정 데이터셋과 작업에 최적화되어 있어, 인간의 시각 지능이 다룰 수 있는 다양한 시각 개념을 처리하는 데 어려움을 겪고 있습니다. 이를 해결하기 위해 "open-vocabulary segmentation"이라는 개념이 도입되었으며, 본 논문에서는 새로운 접근 방식인 FrozenSeg를 소개합니다.
+
+#### Related Works (관련 연구)
+이 섹션에서는 주로 open-vocabulary segmentation과 대규모 기반 모델에 대한 연구를 다룹니다. 기존의 많은 연구들은 CLIP과 같은 시각-언어 모델을 활용하여 특정하지 않은 카테고리의 객체를 분할하려고 했습니다. 하지만, 이러한 모델들은 종종 미세 수준의 픽셀 정보를 이해하는 데 한계를 보입니다. 반면에, 우리 연구는 이러한 한계를 극복하기 위해 새로운 방법론을 제시합니다.
+
+#### Method (방법론)
+이 섹션에서는 FrozenSeg의 전체 구조와 주요 구성 요소인 Query Injector, Feature Injector, OpenSeg Ensemble Module을 소개합니다. Query Injector는 SAM으로부터 얻은 공간 정보를 학습 가능한 쿼리에 주입하고, Feature Injector는 CLIP 피처를 공간 인식을 강화하여 최적화합니다. OpenSeg Ensemble Module은 여러 마스크 예측을 결합하여 성능을 더욱 향상시킵니다.
+
+#### Experiments (실험)
+이 섹션에서는 다양한 벤치마크 데이터셋을 사용하여 FrozenSeg의 성능을 평가합니다. FrozenSeg는 기존 방법들보다 뛰어난 분할 성능을 보여주었으며, 특히 보지 못한 카테고리에 대한 마스크 예측 품질이 향상되었습니다. 예를 들어, Cityscapes와 PC-459 데이터셋에서 IoU 임계값 0.5에서의 평균 리콜이 유의미하게 증가하였습니다.
+
+#### Conclusion (결론)
+결론에서는 FrozenSeg의 주요 장점을 요약하고, 이 방법이 다양한 테스트 케이스에서 우수한 성능을 보였음을 강조합니다. 또한, FrozenSeg는 다양한 기반 모델을 효과적으로 결합하여 학습 오버헤드를 최소화하면서도 성능을 극대화할 수 있는 방법론으로 자리 잡을 가능성을 보여줍니다.
+
+### 2. 전체 요약
+FrozenSeg는 이미지 분할의 새로운 패러다임을 제시하며, 주어진 데이터셋과 상관없이 객체를 인식하고 분할할 수 있는 능력을 가집니다. 주요 구성 요소인 Query Injector와 Feature Injector는 기존 모델의 한계를 극복하도록 설계되었으며, OpenSeg Ensemble Module은 예측 품질을 더욱 향상시킵니다. 다양한 실험 결과에서 FrozenSeg는 기존 방법들보다 우수한 성능을 보여주었으며, 특히 보이지 않았던 새로운 카테고리에 대한 분할 능력이 강화되었습니다.
+
+이러한 요약을 통해 AI와 머신러닝 연구의 향상에 기여할 수 있으며, 발표 자료로도 충분히 활용될 수 있습니다.
\ No newline at end of file
diff --git a/summaries/2409.03643.md b/summaries/2409.03643.md
new file mode 100644
index 00000000..6962b6ef
--- /dev/null
+++ b/summaries/2409.03643.md
@@ -0,0 +1,27 @@
+# CDM: A Reliable Metric for Fair and Accurate Formula Recognition Evaluation
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.03643.pdf](https://arxiv.org/pdf/2409.03643.pdf)
+
+### 1. 섹션별 요약
+
+#### 초록
+이 논문에서는 수식 인식을 평가하는 데 사용되는 기존의 메트릭(예: BLEU, Edit Distance)의 한계를 지적하며, 이를 해결하기 위해 CDM(Character Detection Matching) 메트릭을 제안합니다. CDM은 수식을 이미지로 변환한 후 시각적 특징을 기반으로 문자를 탐지하고 일치시킵니다.
+
+#### 소개
+수식 인식은 문서 분석에서 중요한 역할을 합니다. 수식은 복잡한 구조를 가지며, 다양한 표현 방식이 있어 기존의 OCR(optical character recognition)보다 인식이 어렵습니다. 기존 메트릭의 신뢰성이 낮고 불공정할 수 있음을 지적하며, CDM을 통해 이를 해결하고자 합니다.
+
+#### 관련 연구
+기존 연구에서는 수식 구조를 나타내기 위해 다양한 문법 규칙을 사용하였습니다. 최근에는 딥러닝을 사용한 수식 인식 모델이 제안되고 있으며, 이들은 주로 ExpRate를 사용하여 평가를 수행합니다.
+
+#### 주요 기여
+CDM은 수식을 이미지로 변환하여 문자를 탐지하고 일치시키는 방법을 제안합니다. 이를 통해 다양한 표현 방식을 갖는 수식에 대해서도 공정하고 정확한 평가가 가능합니다. 또한, 다양한 모델과 데이터셋을 사용하여 CDM의 효과를 검증하였으며, 기존 메트릭보다 우수함을 입증하였습니다.
+
+#### 실험
+CDM의 유효성을 검증하기 위해 여러 수식 인식 모델을 평가하였습니다. 실험 결과, CDM이 인간의 평가 기준과 더 잘 일치하며, 기존 메트릭보다 공정한 비교를 제공함을 확인하였습니다.
+
+#### 결론
+CDM은 다양한 수식 표현 방식으로 인한 문제를 해결하여 기존 메트릭의 한계를 극복하고, 수식 인식의 정확성과 공정성을 높이는 평가 방법을 제공합니다. 이를 통해 향후 수식 인식 연구와 개선에 기여할 수 있습니다.
+
+### 2. 전체 요약
+이 논문은 기존의 수식 인식 평가 메트릭의 한계를 지적하며, 이를 해결하기 위해 CDM이라는 새로운 평가 메트릭을 제안합니다. CDM은 수식을 이미지로 변환하여 문자를 탐지하고 일치시키는 방법을 사용하여 다양한 표현 방식의 수식에서도 정확하고 공정한 평가를 제공합니다. 다양한 모델과 데이터셋을 사용한 실험을 통해 CDM의 우수함을 입증하였으며, 이는 수식 인식 연구와 기술 발전에 중요한 기여를 할 것으로 기대됩니다.
\ No newline at end of file
diff --git a/summaries/2409.03718.md b/summaries/2409.03718.md
new file mode 100644
index 00000000..0a766eea
--- /dev/null
+++ b/summaries/2409.03718.md
@@ -0,0 +1,29 @@
+# Geometry Image Diffusion: Fast and Data-Efficient Text-to-3D with Image-Based Surface Representation
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.03718.pdf](https://arxiv.org/pdf/2409.03718.pdf)
+
+### 1. 섹션별 요약
+
+#### Abstract (초록)
+이 논문에서는 GIMDiffusion이라고 불리는 새로운 텍스트 기반 3D 생성 모델을 소개합니다. 이 모델은 3D 오브젝트를 2D 이미지 형식으로 표현하여 복잡한 3D 아키텍처 없이 효율적으로 3D 모양을 생성합니다.
+
+#### Introduction (서론)
+3D 오브젝트 자동 생성은 게임, 영화, 제조 및 건축 등 다양한 산업에서 유용합니다. 그러나 이러한 기술은 높은 계산 비용과 데이터 부족으로 인해 어려움을 겪고 있습니다. GIMDiffusion은 기존의 텍스트-이미지 모델에서 차용한 Collaborative Control 메커니즘을 활용하여 이러한 문제를 해결합니다.
+
+#### Related Work (관련 연구)
+텍스트-이미지 생성 및 3D 생성에서 사용되는 다양한 방법론이 논의되었습니다. 특히 최적화 기반 방법과 피드포워드 방법의 장점과 단점이 분석되었습니다.
+
+#### Methodology (방법론)
+GIMDiffusion은 기하 이미지(Geometry Images)를 텍스트 프롬프트에서 3D 오브젝트로 변환하는데 사용합니다. 이는 기존의 2D 이미지 기반 아키텍처를 재사용하며, Collaborative Control 메커니즘을 통해 기존의 텍스트-이미지 모델의 사전 훈련된 데이터를 활용할 수 있게 합니다.
+
+#### Results (결과)
+GIMDiffusion의 성능 실험 결과가 제시됩니다. 생성된 3D 오브젝트는 다양한 각도에서 리라이트가 가능하고, 높은 품질의 알베도 텍스처를 제공합니다.
+
+#### Discussion and Future Work (논의 및 미래 작업)
+현재 GIMDiffusion 모델의 성능과 한계점이 논의되고, 향후 연구 방향이 제시됩니다. 주요 한계점으로는 생성된 메쉬에 보이는 균열이나 세그먼트 간의 정렬 문제 등이 있으며, 이러한 문제들을 개선하기 위한 방법들이 제안됩니다.
+
+### 2. 전체 요약
+이 논문에서는 GIMDiffusion이라는 혁신적인 텍스트-기반 3D 생성 모델을 소개합니다. 이 모델은 3D 오브젝트를 복잡한 3D 아키텍처 없이 2D 이미지 형식으로 표현하여 효율적으로 생성합니다. Collaborative Control 메커니즘을 통해 기존의 텍스트-이미지 모델의 사전 훈련된 데이터를 활용하여 훈련 데이터와 비용을 줄일 수 있습니다. 실험 결과, 생성된 3D 오브젝트는 다양한 각도에서 리라이트가 가능하고 높은 품질의 알베도 텍스처를 제공하며, 다양하고 일반화된 3D 오브젝트를 생성할 수 있음을 보여줍니다. 그러나 생성된 메쉬의 균열이나 세그먼트 간 정렬 문제 등 몇 가지 한계점이 있어 향후 연구에서는 이러한 문제들을 해결하는 방향으로 나아가야 합니다.
+
+이 논문은 GIMDiffusion을 통해 텍스트-기반 3D 생성 연구에 새로운 방향을 제시하며, 다양한 응용 분야에서 큰 잠재력을 가지고 있음을 시사합니다.
\ No newline at end of file