ㅁ 핵심 개념

1. DDIM

ㅇ 정의:
비확률적(Deterministic) 방식의 Denoising Diffusion Implicit Model로, 기존 DDPM(Denoising Diffusion Probabilistic Model)의 확률적 샘플링을 비확률적 경로로 변환하여 더 적은 스텝으로 이미지를 생성하는 확산 모델 변형 기법.

ㅇ 특징:
– 샘플링 속도가 빠르며, 동일한 초기 노이즈에서 동일한 결과를 재현 가능.
– 스텝 수를 줄여도 품질 저하가 상대적으로 적음.
– 시간 스텝을 유연하게 조정 가능.
– Latent space에서의 경로가 결정적이므로 중간 상태를 제어하기 용이.

ㅇ 적합한 경우:
– 생성 속도가 중요한 실시간 또는 준실시간 이미지 생성.
– 동일 시드(seed)로 결과 재현이 필요한 실험.
– 이미지 편집, 중간 단계 제어가 필요한 응용.

ㅇ 시험 함정:
– DDIM은 확률적 모델이 아니라는 점에서 DDPM과 혼동할 수 있음.
– 스텝 수 감소가 무조건 품질 향상을 의미하는 것이 아님.
– ‘Implicit’이라는 용어가 비지도 학습과 혼동될 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “DDIM은 동일한 초기 노이즈에서 항상 동일한 결과를 생성할 수 있다.”
X: “DDIM은 확률적 샘플링을 사용하여 매번 다른 결과를 생성한다.”
O: “DDIM은 DDPM보다 적은 스텝으로도 유사한 품질의 이미지를 생성할 수 있다.”
X: “DDIM은 스텝 수를 줄이면 품질이 항상 향상된다.”

ㅁ 추가 학습 내용

DDIM은 DDPM의 마르코프 체인을 비마르코프적 경로로 변환하는 방식으로, 역방향 확산 과정에서 노이즈 제거 단계를 선형 보간하듯 진행한다.
시험에서는 DDIM이 Latent Diffusion Model(LDM)과 결합되어 사용되는 경우, guidance scale, classifier-free guidance와 함께 쓰이는 경우를 구분하는 문제가 출제될 수 있다.
DDIM의 비확률적 성질은 데이터 다양성 감소로 이어질 수 있다는 단점이 있으며, 스텝 수와 품질 간에는 trade-off가 존재하므로 이를 수식과 함께 이해해야 한다.
DDIM 샘플링 식의 핵심 파라미터 η(eta)는 η=0일 때 결정적 샘플링이 되고, η>0이면 일부 확률성을 부여할 수 있다.