초록
최근 연구계에서는 학습 과정에서 이상치(outlier)에 강건한 이미지 생성 모델 개발에 대한 관심이 높아지고 있다. 기존 연구들은 적대적 프레임워크에 비균형 최적 운반(unsbalanced optimal transport, UOT)을 쉽게 통합할 수 있다는 점을 고려하여, 주로 적대적 생성 모델(GAN)을 위한 강건한 프레임워크 개발에 집중해 왔다. 한편, 최근에는 확산 모델(diffusion model)이 다양한 작업 및 데이터셋에서 GAN을 압도하고 있다. 그러나 우리가 알고 있는 바에 따르면, 이러한 확산 모델들은 손상된 데이터셋에 대해 강건하지 않다. DDGAN을 영감으로 삼아, 본 연구는 처음으로 이상치에 강건한 확산 모델을 제안한다. 우리는 DDGAN에서 GAN을 위한 UOT 기반 생성 모델을 사용하는 방식을 변경하여, 역확산 과정을 학습할 수 있도록 제안한다. 더불어, 본 프레임워크에서 발산의 리프시츠(Lipschitz) 성질이 더 안정적인 학습 수렴을 촉진함을 입증한다. 특히, 본 방법은 손상된 데이터셋에 대해 강건함을 보이는 동시에, 깨끗한 데이터셋에서도 우수한 성능을 달성한다.