Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Random Conditioning with Distillation for Data-Efficient Diffusion Model Compression

Created by
  • Haebom

저자

Dohyun Kim, Sehwan Park, Geonhee Han, Seung Wook Kim, Paul Hongsuck Seo

개요

본 논문은 확산 모델의 계산 비용을 줄이기 위해 지식 증류를 활용하는 새로운 방법인 Random Conditioning을 제안합니다. 기존의 지식 증류는 학습 데이터에 포함된 개념만을 전달하는 한계가 있었지만, Random Conditioning은 잡음이 추가된 이미지와 무작위로 선택된 텍스트 조건을 짝지어 학습하지 않은 개념까지 생성할 수 있도록 합니다. 이를 통해 조건부 확산 모델의 지식 증류 과정에서 학생 모델이 조건 공간을 효율적으로 탐색하고, 생성 품질과 효율성을 향상시킵니다. 결과적으로, 자원 효율적인 생성 확산 모델 배포를 가능하게 하여 연구 및 실제 응용 분야에서의 접근성을 높입니다. 코드, 모델 및 데이터셋은 https://dohyun-as.github.io/Random-Conditioning 에서 이용 가능합니다.

시사점, 한계점

•
시사점:
◦
확산 모델의 계산 비용 감소 및 효율성 향상.
◦
학습 데이터에 없는 개념까지 생성 가능.
◦
조건부 확산 모델의 생성 품질 향상.
◦
자원 제약이 있는 환경에서의 확산 모델 활용 증가.
•
한계점:
◦
Random Conditioning의 성능은 teacher 모델의 품질에 의존적일 수 있음.
◦
무작위 조건 선택으로 인해 생성 결과의 일관성이 다소 떨어질 수 있음.
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구가 필요함.
👍
Made with Slashpage