본 논문은 확산 모델의 학습 효율을 높이기 위해 일반적으로 사용되는 다중 시간 단계에서의 파라미터 공유 방식의 한계를 지적하고, 이를 개선하기 위한 DeMe(Decouple-then-Merge) 프레임워크를 제안합니다. DeMe는 미리 학습된 모델을 기반으로 각 시간 단계에 특화된 개별 모델을 미세 조정하는 방식으로, 시간 단계 간의 기울기 충돌 문제를 해결합니다. 미세 조정 과정에서 효과적인 지식 공유를 촉진하고 시간 단계 간의 간섭을 최소화하는 여러 개선된 기법을 도입하며, 최종적으로는 이러한 개별 모델들을 하나의 모델로 병합하여 효율적인 추론을 가능하게 합니다. COCO30K, ImageNet1K, PartiPrompts, LSUN Church, LSUN Bedroom, CIFAR10 등 6개의 벤치마크에서 기존 방법보다 향상된 이미지 생성 품질을 보여줍니다.
