Core Concepts
DreamSampler는 역 확산 샘플링과 점수 증류 접근법을 통합하여 모델 아키텍처 조정이나 특징 공학 없이도 이미지 편집, 복원 등 다양한 응용 분야에서 경쟁력 있는 성능을 달성합니다.
Abstract
이 논문은 최근 주목받고 있는 잠재 확산 모델(LDM)을 활용한 이미지 조작 기법인 역 확산 샘플링과 점수 증류 방법을 통합한 DreamSampler 프레임워크를 소개합니다.
역 확산 샘플링은 LDM 아키텍처 조정이나 특징 공학이 필요한 반면, 점수 증류는 모델 독립적이지만 모드 붕괴에 취약한 단점이 있습니다. DreamSampler는 이 두 접근법의 장점을 활용하여 정규화된 잠재 최적화 관점에서 통합하였습니다.
구체적으로 DreamSampler는 Tweedie 공식을 통해 역 확산 샘플링 과정을 후험 평균 근사로 해석하였고, 이를 통해 측정 일관성 등의 추가 정규화 항을 도입할 수 있습니다. 또한 점수 증류 손실이 이러한 근사 문제와 동등함을 보여 두 접근법의 자연스러운 통합을 달성하였습니다.
이를 바탕으로 DreamSampler는 이미지 편집, SVG 복원, 이미지 복원 등 다양한 응용 분야에서 기존 방법 대비 경쟁력 있는 성능을 보였습니다.
Stats
잠재 확산 모델은 깨끗한 이미지를 가우시안 노이즈에서 점진적으로 생성하는 과정을 통해 작동합니다.
역 확산 샘플링은 역 Wiener 프로세스를 통해 생성 과정에 확률성을 도입하여 모드 붕괴를 방지하고 생성 품질을 향상시킵니다.
점수 증류는 사전 학습된 확산 모델을 블랙박스 방식으로 활용하여 생성기를 학습시키지만, 모드 붕괴에 취약합니다.
Quotes
"DreamSampler는 모델 아키텍처 조정이나 특징 공학 없이도 이미지 편집, 복원 등 다양한 응용 분야에서 경쟁력 있는 성능을 달성합니다."
"DreamSampler는 역 확산 샘플링과 점수 증류 접근법을 통합하여 두 방법의 장점을 활용합니다."