본 논문은 매우 제한된 훈련 데이터로 인해 어려움을 겪는 소수 샷 클래스 증분 학습(FSCIL) 문제에 대해 제안된 Diffusion-FSCIL 방법을 제시한다. Diffusion-FSCIL은 이미지 생성 확산 모델을 고정된 백본으로 사용하며, 대규모 사전 학습을 통해 얻은 생성 능력, 다중 스케일 표현, 텍스트 인코더를 통한 표현 유연성 등을 활용하여 FSCIL 문제를 해결하고자 한다. 여러 보완적인 확산 특징을 추출하여 잠재적 재생(latent replay) 역할을 수행하고, 특징 증류를 통해 생성 편향을 방지한다. 고정된 백본 사용, 최소한의 학습 가능한 구성 요소, 여러 특징 추출의 배치 처리를 통해 효율성을 달성한다. CUB-200, miniImageNet, CIFAR-100에 대한 실험 결과, Diffusion-FSCIL은 기존 최첨단 방법들을 능가하며 이전에 학습된 클래스에 대한 성능을 유지하고 새로운 클래스에 효과적으로 적응하는 것을 보여준다.
