En este artículo, proponemos utilizar el Modelo de Mezcla Gaussiana (GMM) como un operador de retrotransición (kernel) en el marco del Modelo Implícito de Difusión de Denoising (DDIM), que es uno de los métodos ampliamente utilizados para el muestreo acelerado de modelos preentrenados en el Modelo Probabilístico de Difusión de Denoising (DDPM). Específicamente, restringimos los parámetros del GMM para que coincidan con los momentos centrales primero y segundo de las probabilidades marginales directas del DDPM. Los resultados experimentales muestran que la coincidencia de momentos es suficiente para obtener muestras con calidad equivalente o mejor que el DDIM convencional utilizando el kernel Gaussiano. Los resultados experimentales se presentan utilizando modelos incondicionales entrenados en CelebAHQ y FFHQ y modelos condicionales entrenados en el conjunto de datos ImageNet. Los resultados sugieren que el uso del kernel del GMM con un pequeño número de pasos de muestreo mejora significativamente la calidad de las muestras generadas, medida por las métricas FID e IS. Por ejemplo, al utilizar 10 pasos de muestreo en ImageNet 256x256, logramos FID 6,94 e IS 207,85 utilizando el kernel GMM, mientras que 10,15 y 196,73, respectivamente, al utilizar el kernel gaussiano.
