강력한 이미지 생성 성능으로 널리 알려진 확산(diffusion) 및 관련 생성 모델링 방법은 시각 미디어 응용에서 폭넓게 성공을 거두었다. 특히 확산 방법은 극히 낮은 비트율(bit-rate)에서도 사실적인 복원을 생성할 수 있는 새로운 데이터 압축 접근을 가능하게 했다. 본 글은 이미지 압축에 초점을 맞추어 생성적 손실 압축(generative lossy compression)을 위한 최근 확산 기반 방법들에 대한 통합적 리뷰를 제공한다. 이러한 방법들은 일반적으로 원본을 임베딩으로 인코딩하고, 디코딩 과정에서 확산 모델을 사용해 이를 반복적으로 정제(refine)하여 복원이 실제 데이터 분포를 근사적으로 따르도록 한다. 임베딩은 다양한 형태를 취할 수 있으며, 일반적으로 보조 엔트로피 모델(entropy model)을 통해 전송되고, 최근 연구는 채널 시뮬레이션(channel simulation)을 통한 정보 전송에 확산 모델 자체를 활용하는 방향도 탐구한다. 본 글은 rate-distortion-perception 이론의 관점에서 대표적 접근법을 검토하고, 공통 난수(common randomness)의 역할과 역문제(inverse problem)와의 연관을 강조하며, 남은 과제를 식별한다.
확산(diffusion) 기반 생성형 비디오 압축은 저비트레이트 복원을 위한 유망한 패러다임을 제공하지만, 기존 키프레임 기반 제어 가능(controllable) 방식은 비키프레임에 희소(sparse) 사전정보(prior)를 사용하는데, 이는 충실한 복원에 필요한 저수준 세부를 충분히 담지 못하는 경우가 많고, 생성 모델을 특화된 제어에 맞추려면 상당한 학습이 필요하다. 우리는 Dense-Prior-Guided Generative Video Compression(DGVC)을 제안한다. DGVC는 학습 없이 비키프레임의 코덱 압축 휘도(luminance) 성분을 밀집(dense) 사전정보로 활용해 복원을 유도하는 프레임워크이다. 희소 제어와 달리 밀집 휘도 사전정보는 현대의 충실도 지향 비디오 코덱과 호환되며 압축 후에도 충분히 충실하게 유지되어, 사전정보 전용 코덱 학습이 필요 없고 실무에서 추가적인 생성 모델 적응도 불필요하게 한다. 또한 휘도 사전정보는 구조·질감 정보를 더 풍부하게 보존하므로, 제어 가능한 비디오 생성에 더 신뢰할 만한 유도를 제공한다. DGVC는 색차(chrominance) 복원을 위해 색 변화를 포착하도록 색 거리 기반 키프레임 선택 전략을 추가로 도입한다. 광범위한 실험에서 DGVC는 신호 충실도와 지각 품질 모두에서 기존 제어 가능 압축 방법을 일관되게 능가하며, 대표적인 사후 향상(post-enhancement) 접근과도 경쟁력을 유지한다.