발산 유도 가중 디노이징을 통한 강건 확산 모델
Robust Diffusion Models via Divergence-Induced Weighted Denoising
확산 모델의 표준 MSE 디노이징 손실을 f-발산(f-divergence)이 유도한 비선형 변환으로 바꾸는 발산 유도 가중 디노이징 학습 목표를 제안하며, DDPM의 가우시안 역커널에서 단계별 불일치가 로그정규분포로 정리된다는 이론을 통해 오염 데이터에 강건한 학습을 가능하게 한다. CIFAR-10에서 30% 오염 조건에서 NED(negative exponential divergence)는 FID를 KL 기준 93.0에서 77.5로 낮추고 Huber·clipped MSE 같은 기존 강건 손실보다 우수한 결과를 보였다.