확산 모델의 기하학 인식 이산화 오차
Geometry-Aware Discretization Error of Diffusion Models
실제 확산 모델(diffusion model) 샘플링은 제한된 수의 노이즈 제거(denoising) 단계를 거쳐 역시간 ODE 또는 SDE를 시뮬레이션해야 하므로, 이산화 오차(discretization error)를 최소화하기 위한 샘플링 매개변수(parameter) 선택이 매우 중요합니다. 비점근적(non-asymptotic) 수렴(convergence) 한계는 샘플링 복잡도를 특성화하지만, 최악의 경우 상수(worst-case constant)로 인해 타깃의 기하학적 구조가 가려져 매개변수 최적화에 대한 지침을 제공하는 데 한계가 있습니다. 오차의 상한을 구하는 대신, 본 연구에서는 일반적인 매끄러운 역방향 확산에 대한 오일러-마루야마(Euler-Maruyama) 약한 오차 및 프레셰(Frechet) 오차의 점근적으로 정확한 작은 스텝 크기 전개를 도출하고, 가우시안 데이터에 대한 명시적 공식을 제시합니다. 이러한 공식은 타깃의 공분산 스펙트럼에 따라 노이즈 및 리스케일링 스케줄, 확률성 계수(stochasticity coefficient)를 포함한 확산 매개변수를 최적화하기 위한 다루기 쉬운 목적 함수를 제공합니다. 특히 본 이론은 스텝 예산이 적을수록 최적의 확률성이 더 낮아짐을 예측하고, 데이터 전력 스펙트럼에 맞춰 리스케일링 계수를 조정하는 방법을 제시하며, 효과적인 노이즈 스케줄의 새로운 패밀리를 제안하는 동기를 부여합니다. 가우시안 스케일 혼합(GSM)으로의 섭동적 확장은 가우시안 특성과의 차이가 최적 매개변수를 어떻게 변화시키는지 정량화합니다. 마지막으로, 다양한 실제 이미지 데이터셋에 대한 실험을 통해 FID 최적 매개변수가 정성적인 이론적 예측과 일치함을 입증합니다.