Core Concepts
확률적 확산 모델은 데이터 분포를 노이즈로 변환하고 다시 노이즈를 제거하여 유사한 분포를 얻는 강력한 이론적 배경을 가지고 있다.
Abstract
이 연구는 확률적 확산 모델의 이론적 발전에 대해 조사했다. 이러한 접근법은 주로 두 가지로 나뉜다: 학습 기반과 샘플링 기반.
학습 기반 접근법:
확산 계획: 확산 단계 수 최적화, 조기 중단 등
노이즈 분포 및 스케줄: 가우시안 이외의 노이즈 분포 사용, 노이즈 스케줄 학습
학습 절차: 대안적인 학습 목적함수 및 최적화 기법 제안
공간 투영: 데이터 분포를 다른 공간으로 투영하여 모델링
최적 수송: 확산 과정을 최적 수송 문제로 정식화
다른 데이터 구조: 이미지 외 다른 데이터 유형에 적용
샘플링 기반 접근법:
확산 과정을 연속시간 확률 미분 방정식으로 일반화하고 이를 효율적으로 샘플링
이러한 접근법들은 확률적 확산 모델의 계산 비용, 로그-우도 값, 다양한 모달리티에 대한 적합성 등의 문제를 해결하고자 한다.
Stats
확률적 확산 모델은 이미지 생성, 자연어 처리, 의료 영상, 시계열 분석, 텍스트-이미지 생성, 텍스트-음성 합성 등 다양한 분야에서 높은 성과를 보였다.
확률적 확산 모델의 핵심 연구는 Denoising Diffusion Probabilistic Models (DDPM), Noise Conditional Score Networks (NCSN), Score-based modeling with Stochastic Differential Equations (Score SDE)이다.
확률적 확산 모델은 GAN, VAE, 오토인코더 등 기존 생성 모델에 비해 계산 비용, 로그-우도 값, 다양한 모달리티 적용 등에서 장점을 가진다.
Quotes
"확률적 확산 모델은 데이터 분포를 노이즈로 변환하고 다시 노이즈를 제거하여 유사한 분포를 얻는다."
"확률적 확산 모델은 적대적 훈련, 순차적 학습, 근사 우도 계산, 볼륨 증가, 샘플링 어려움 등의 문제를 해결한다."