본 논문은 DDPM(Denoising Diffusion Probabilistic Models)에서 가속화된 샘플링을 위해 널리 사용되는 DDIM(Denoising Diffusion Implicit Models) 프레임워크 내에서 역전이 연산자(커널)로 가우시안 혼합 모델(GMM)을 사용하는 것을 제안합니다. 특히, GMM의 매개변수를 제약하여 DDPM 순방향 주변 확률의 1차 및 2차 중심 모멘트를 일치시킵니다. 가우시안 커널을 사용하는 기존 DDIM과 비교하여 동등하거나 더 나은 품질의 샘플을 얻기에 모멘트 매칭이 충분함을 보여줍니다. CelebAHQ 및 FFHQ에서 훈련된 무조건 모델, ImageNet에서 훈련된 조건부 모델, COYO700M 데이터셋에서 Stable Diffusion v2.1을 사용한 텍스트-이미지 생성에 대한 실험 결과를 제공합니다. 실험 결과는 샘플링 단계 수가 적을 때 GMM 커널을 사용하면 FID 및 IS 측정값으로 측정했을 때 생성된 샘플의 품질이 크게 향상됨을 시사합니다. 예를 들어, ImageNet 256x256에서 10개의 샘플링 단계를 사용하면 GMM 커널을 사용하여 FID 6.94 및 IS 207.85를 달성하는 반면, 가우시안 커널을 사용하면 FID 10.15 및 IS 196.73을 달성합니다. 또한, 정류 흐름 매칭 모델에 대한 새로운 SDE 샘플러를 도출하고 제안된 접근 방식을 사용하여 실험합니다. 1-정류 흐름 및 2-정류 흐름 모델 모두에서 개선 사항을 확인했습니다.
