자료 분포 주변의 학습
자료가 낮은 차원의 다양체에 놓이면 원래 분포의 기울기를 정의하거나 추정하기 어려울 수 있다. 서로 다른 세기의 가우스 잡음으로 자료를 교란해 이 문제에 접근한다.
여러 잡음 수준의 결합
잡음별로 교란된 분포의 점수를 함께 추정한다. 학습 과정은 적대적 판별기를 요구하지 않으며, 표본을 생성하는 반복 절차를 학습 중 그대로 실행할 필요도 없다.
점진적인 표본 갱신
생성 때에는 잡음 수준을 점차 낮추면서 해당 수준의 점수를 사용한다. 거친 분포에서 자료 주변의 세밀한 구조로 이동하는 과정을 구성하며, 원 연구는 이미지 생성과 손상 영역 복원으로 평가했다.
관련 문서
점수 기반 확률 미분 생성 / DDPM / DDIM / 변분 확산 모형 / 확률 분포 / 신경망