학습된 적응형 노이즈를 갖춘 확산 모델

확산 모델은 고품질 이미지 합성에 효과적인 알고리즘으로 주목받고 있다. 이러한 알고리즘의 핵심은 확산 과정으로, 데이터를 노이즈로 매핑하는 일련의 방정식으로, 성능에 상당한 영향을 미칠 수 있다. 본 논문에서는 확산 과정이 데이터로부터 학습될 수 있는지 탐구한다. 우리의 연구는 베이지안 추론에 기반하며, 학습된 확산 과정을 근사 변분 사후분포로 간주함으로써 로그 가능도 추정을 개선하고, 가능도에 대한 더 강한 하한(ELBO)을 도출하고자 한다. 기존에는 ELBO가 노이즈 과정에 대해 불변(invariant)하다는 널리 퍼진 가정이 있었으나, 본 연구는 이 가정을 부정하고, 이미지 내에서 서로 다른 속도로 노이즈를 적용하는 다변량 학습형 적응 노이즈(MULAN)를 제안한다. 구체적으로, 본 방법은 데이터에 대한 함수로서의 다변량 노이즈 스케줄을 활용하여, 기존 연구와 달리 ELBO가 노이즈 스케줄의 선택에 더 이상 불변하지 않도록 보장한다. 실험 결과, MULAN은 CIFAR-10 및 ImageNet에서 밀도 추정 성능에서 새로운 최고 기록을 수립하며, 훈련 단계 수를 50% 감소시켰다. 코드는 프로젝트 페이지에서 제공되며, 블로그 포스트와 동영상 튜토리얼도 함께 제공된다: https://s-sahoo.com/MuLAN