본 논문은 이산 확산 모델에서의 효율적인 샘플링 문제를 해결하기 위해 정보에 기반한 수정자(informed corrector)를 사용하는 새로운 샘플링 기법을 제안합니다. 기존 샘플링 전략은 계산량과 샘플 품질 사이의 균형을 맞추는 데 어려움을 겪는다는 점에 착안하여, 확산 모델의 정보를 활용하여 누적 근사 오차를 더욱 효과적으로 해결하는 예측-수정 샘플링 기법을 제시합니다. hollow transformer 기반의 아키텍처 수정과 추가적인 학습 신호를 활용하는 맞춤형 학습 목표를 통해 정보에 기반한 수정자의 효율성을 더욱 높였습니다. 합성 데이터와 text8, 토큰화된 ImageNet 256x256 데이터셋을 이용한 실험 결과, 제안된 방법이 기존 방법보다 적은 오류와 향상된 FID 점수를 보이며 더 빠르고 정확한 샘플 생성을 가능하게 함을 보여줍니다.
