초록
이 논문은 분산 모델을 훈련하기 위한 새로운 목적 함수인 Model-guidance(MG)를 제안한다. 이는 일반적으로 사용되는 Classifier-free guidance(CFG)를 제거하고 해결하는 기법이다. 본 연구에서 제안하는 혁신적인 접근법은 단순히 데이터 분포를 모델링하는 것에서 벗어나, 조건부 사후 확률을 포함하는 방향으로 발전시켰다. 제안된 기법은 CFG의 아이디어를 기반으로 하며, 간단하면서도 효과적이어서 기존 모델에 즉시 적용 가능한 플러그 앤 플레이 모듈로 활용할 수 있다. 제안된 방법은 훈련 과정을 크게 가속화하고, 추론 속도를 두 배로 높이며, CFG를 사용하는 동시대의 분산 모델을 능가하거나 이를 넘어서는 뛰어난 품질을 달성한다. 다양한 실험을 통해 본 방법의 효과성, 효율성, 다양한 모델과 데이터셋에 대한 확장성(스케일러빌리티)을 입증하였다. 마지막으로, ImageNet 256 벤치마크에서 FID 1.34를 기록하며 최신 기술 수준의 성능을 달성하였다. 본 연구의 코드는 https://github.com/tzco/Diffusion-wo-CFG 에 공개되어 있다.