자르기된 확산 확률 모델과 확산 기반 적대적 오토인코더

전방 확산 체인을 활용하여 데이터를 점차적으로 잡음 분포로 매핑함으로써, 확산 기반 생성 모델은 역확산 체인을 추론함으로써 데이터 생성 방식을 학습한다. 그러나 이 접근법은 전방 및 역방향 단계를 다수 필요로 하기 때문에 느리고 비용이 크다. 본 연구에서는 데이터가 순수한 난수 분포가 되기까지 잡음을 추가하는 것이 아니라, 우리가 확신을 가지고 학습할 수 있는 은닉된 잡음 데이터 분포에 도달할 때까지 잡음을 추가하는 더 빠르고 저비용의 접근법을 제안한다. 이후 이 은닉된 분포(잡음 데이터와 유사하게 만든)를 시작점으로 하여 적은 수의 역방향 단계만으로 데이터를 생성한다. 우리는 제안된 모델이 확산 과정과 학습 가능한 암묵적 사전(implicit prior)에 의해 강화된 적대적 오토인코더로 해석될 수 있음을 밝혔다. 실험 결과, 역방향 확산 단계 수를 크게 줄였음에도 불구하고, 제안된 절단된 확산 확률 모델은 무조건적 및 텍스트 유도 이미지 생성 모두에서 비절단 모델보다 일관된 성능 향상을 제공함을 보여주었다.