본 논문은 지속 학습(Continual Learning, CL) 환경에서 확산 모델을 이용한 생성 모델링의 어려움인 파국적 망각(Catastrophic Forgetting, CF) 문제를 해결하기 위해, 지속적 확산 생성(Continual Diffusion Generation, CDG)이라는 새로운 패러다임을 제시합니다. 기존 연구들이 기존 분류 작업의 휴리스틱 전략을 적용한 것과 달리, 본 논문은 확산 과정에 대한 이론적 분석을 바탕으로 CDG를 위한 최초의 이론적 프레임워크를 개발합니다. 분석 결과, 작업 간 생성 지식의 유지 및 안정성은 작업 간 지식 일관성(IKC), 무조건적 지식 일관성(UKC), 레이블 지식 일관성(LKC)의 세 가지 일관성 기준에 의해 결정됨을 밝혔습니다. 이러한 통찰력을 바탕으로, 본 논문은 계층적 손실 항 $\mathcal{L}{IKC}$, $\mathcal{L}{UKC}$, $\mathcal{L}_{LKC}$를 통해 이러한 일관성 목표를 훈련에 통합하는 원칙적인 프레임워크인 지속적 일관성 확산(Continual Consistency Diffusion, CCD)을 제안합니다. CCD는 새로운 생성 능력을 받아들이면서 효과적인 지식 유지를 촉진합니다. 네 개의 벤치마크 데이터셋에 대한 광범위한 실험을 통해, CCD가 지속적인 설정에서 최첨단 성능을 달성하며, 특히 작업 간 지식 중복이 풍부한 작업에서 평균 충실도(MF)와 증분 평균 충실도(IMF)가 크게 향상됨을 보여줍니다.
