본 논문은 확산 확률 모델(DPMs)의 학습 및 샘플링 과정에 귀납적 편향을 도입하여 모델링 대상 데이터의 목표 분포에 더 잘 적응하도록 하는 것을 목표로 합니다. 특히, 위상 구조화된 데이터에 대해 주파수 기반 노이즈 연산자를 고안하여 이러한 귀납적 편향을 의도적으로 조작하고 설정합니다. 노이즈 전달 과정의 적절한 조작을 통해 DPMs가 학습할 분포의 특정 측면에 집중하도록 유도할 수 있음을 보여줍니다. 또한, 서로 다른 데이터셋에는 서로 다른 귀납적 편향이 필요하며, 적절한 주파수 기반 노이즈 제어는 표준 확산보다 생성 성능을 향상시킨다는 것을 보여줍니다. 마지막으로, 학습 중 특정 주파수의 정보를 무시할 수 있는 가능성을 입증합니다. 심각한 노이즈 손상 후 원래 목표 분포를 복구하도록 DPM을 학습시키는 이미지 손상 및 복구 작업에서 이를 보여줍니다.
