본 논문은 심층 학습 모델의 대용량 데이터 요구에 따라 효율적인 데이터 증류 방법을 제시합니다. 기존 확산 기반 데이터 증류 방법의 문제점인 부정확한 분포 매칭, 랜덤 노이즈에 의한 분포 편차, 개별 샘플링 등을 분석하고, 이를 해결하기 위해 새로운 프레임워크 D^3HR을 제안합니다. D^3HR은 DDIM 역변환을 이용하여 원본 데이터셋의 잠재 변수를 고정규 분포로 매핑하여 정보 손실 없이 대표적인 잠재 변수를 생성하고, 효율적인 샘플링 기법을 통해 고정규 분포와의 정렬을 향상시킵니다. 실험 결과, D^3HR은 기존 최첨단 방법보다 높은 정확도를 달성함을 보여줍니다.
