초록
기반 모델은 고차원 확산 과정을 통해 노이즈를 데이터(또는 그 반대)로 매핑함으로써 샘플을 생성한다. 본 연구에서는 이 전체 과정을 고차원에서 수행하고 그로 인한 모든 부담을 감수할 필요가 있는지에 대해 의문을 제기한다. 대신, 데이터 분포가 노이즈로 수렴함에 따라 하위 공간으로의 투영을 통해 확산 과정을 제약한다. 최첨단 모델에 적용했을 때, 본 프레임워크는 샘플 품질을 동시에 향상시켰으며(무조건적 CIFAR-10에서 FID 2.17 달성), 동일한 노이즈 제거 단계 수에 대해 추론의 계산 비용을 줄였다. 본 프레임워크는 연속 시간 확산과 완전히 호환되며, 정확한 로그우도와 조절 가능한 생성과 같은 유연한 기능을 그대로 유지한다. 코드는 https://github.com/bjing2016/subspace-diffusion 에서 제공된다.