[DDPM] 입문 개요
DDPM은 "데이터를 조금씩 망가뜨리는 과정"과 "그 노이즈를 한 단계씩 되돌리는 과정"을 학습하는 생성 모델이다.
최근 생성 모델의 큰 흐름은 diffusion 계열이다. DDPM은 그 출발점이 되는 기본 모델로, 이미지를 한 번에 만드는 대신 여러 단계에 걸쳐 복원해 나간다.
이 관점이 중요한 이유는, 복잡한 샘플을 한 번에 만들기보다 훨씬 쉬운 "조금 더 깨끗하게 만들기" 문제를 반복해서 푸는 쪽이 학습을 더 안정하게 만들 수 있기 때문이다. 그래서 DDPM은 diffusion 계열 전체를 이해하는 출발점이 된다.
즉 DDPM은 생성 문제를 "직접 만들기"에서 "노이즈 제거 문제 연쇄"로 바꾼 셈이다. 이 발상 전환이 diffusion 계열이 강력해진 핵심 이유다.
1. 핵심 직관
- forward process: 데이터에 점점 노이즈를 추가한다.
- reverse process: 노이즈가 섞인 상태에서 원래 데이터를 복원한다.
2. 왜 잘 작동하나
한 번에 복잡한 샘플을 생성하는 대신, "조금 더 깨끗한 상태로 되돌리는 작은 문제"를 반복적으로 푼다. 그래서 학습이 상대적으로 안정적이다.
3. 한계
- 샘플링 단계가 많아 느릴 수 있다.
- 계산량이 크다.
그래서 diffusion 계열을 공부할 때는 품질과 안정성만 볼 게 아니라, 왜 DDIM 같은 가속 기법이 바로 이어지는지도 같이 봐야 한다.