초록
노이즈 제거 확산 확률 모델(Denoising Diffusion Probabilistic Models, DDPM)은 최근 훌륭한 샘플을 생성할 수 있음이 입증된 생성 모델의 한 종류이다. 우리는 몇 가지 간단한 수정을 통해 DDPM이 높은 샘플 품질을 유지하면서도 경쟁력 있는 로그 가능도(log-likelihood)를 달성할 수 있음을 보였다. 또한, 역확산 과정의 분산을 학습함으로써 전방 전파(forward passes) 횟수를 수배 정도 감소시키면서도 샘플 품질의 변화가 거의 없음을 발견하였으며, 이는 이러한 모델의 실용적 배포에 있어 매우 중요한 이점이다. 추가적으로, DDPM과 GAN의 타깃 분포를 얼마나 잘 커버하는지 비교하기 위해 정밀도(precision)와 재현율(recall)를 활용하였다. 마지막으로, 이러한 모델의 샘플 품질과 가능도가 모델 용량과 학습 컴퓨팅 자원에 따라 부드럽게 증가함을 보여주어 확장성이 용이함을 입증하였다. 관련 코드는 https://github.com/openai/improved-diffusion 에서 공개한다.