노이즈로 이미지를 손상시킨 다음, 그 과정을 역으로 되돌리는 방법을 학습합니다. 확산 모델은 데이터에 노이즈를 점진적으로 추가한 후, 단계적으로 노이즈를 제거하는 방법을 학습합니다. 학습이 완료되면, 순수한 노이즈 상태에서 시작하여 학습 데이터 분포와 유사한 새로운 샘플을 생성할 수 있습니다.

이 접근 방식은 오늘날 많은 이미지 생성기에 활용되고 있습니다. 품질이 높고, 생성적 적대 신경망(GAN)에 비해 학습 목표가 안정적입니다. GAN은 모드 붕괴 및 불안정한 동적 특성 문제를 겪을 수 있습니다.

주요 단계

• 순방향 프로세스, 여러 단계를 거치면서 노이즈 추가
• 역과정, 노이즈 제거 학습
• 샘플링, 무작위 노이즈로부터 생성
• 텍스트 또는 기타 입력을 사용하여 출력을 유도하는 조건화

단점은 속도입니다. 단일 이미지를 생성하는 데 수십 또는 수백 번의 네트워크 패스가 필요할 수 있습니다. 증류 및 더 빠른 샘플러는 단계 수를 줄여주지만, 확산 방식은 여전히 ​​다른 대안 방식보다 계산 집약적입니다.