본 논문은 데이터셋 축소(Dataset Condensation)에서 색상의 중요성을 강조하며, 기존 방법들의 한계점을 극복하는 새로운 방법인 DC3 (Dataset Condensation with Color Compensation)을 제안합니다. 기존의 이미지 단위 선택 방식(Coreset Selection, Dataset Quantization)은 비효율적인 축소를, 픽셀 단위 최적화 방식(Dataset Distillation)은 과다한 매개변수로 인한 의미론적 왜곡을 야기한다는 점을 지적합니다. DC3는 보정된 선택 전략 후, 새로운 이미지 생성 대신 기존 이미지의 색상 다양성을 증강하기 위해 잠재 확산 모델(latent diffusion model)을 활용합니다. 다양한 벤치마크에서 기존 최고 성능(SOTA) 방법들을 능가하는 성능과 일반화 성능을 보이며, 축소된 데이터셋으로 사전 훈련된 확산 모델을 미세 조정한 최초의 연구라고 주장합니다. FID 결과를 통해 모델 붕괴나 성능 저하 없이 고품질 데이터셋으로 네트워크 훈련이 가능함을 보여줍니다.
