고정밀 이미지 생성을 위한 계단식 확산 모델

계단식 확산 모델이 보조 이미지 분류기 없이도 클래스 조건부 ImageNet 생성 벤치마크에서 고해상도 이미지를 생성할 수 있음을 보여줍니다. 계단식 확산 모델은 최저 해상도에서 표준 확산 모델을 시작으로, 이후 하나 이상의 초해상도 확산 모델이 차례로 이미지를 업샘플링하고 더 높은 해상도의 세부 정보를 추가하는 파이프라인 구조를 갖습니다. 우리는 계단식 파이프라인의 샘플 품질이 조건부 증강(conditioning augmentation)에 크게 의존함을 발견했습니다. 조건부 증강은 초해상도 모델의 저해상도 조건 입력에 대해 데이터 증강을 수행하는 본 연구에서 제안한 방법입니다. 실험 결과, 조건부 증강이 계단식 모델 내 샘플링 과정에서 오차가 누적되는 것을 방지함으로써, 64×64 해상도에서 FID 점수가 1.48, 128×128에서 3.52, 256×256에서 4.88에 달하는 계단식 파이프라인을 훈련하는 데 기여하였으며, 이는 BigGAN-deep를 초월하는 성능을 보였습니다. 또한 256×256 해상도에서 정확도는 상위 1위(top-1) 63.02%, 상위 5위(top-5) 84.06%를 기록하여 VQ-VAE-2를 능가하는 결과를 얻었습니다.