본 논문은 저품질 또는 부족한 데이터로 인한 심층 신경망 훈련의 어려움을 해결하기 위해 텍스트-이미지 유도 확산 모델을 이용한 새로운 데이터 증강 방법인 "Diffusion Curriculum (DisCL)"을 제안합니다. 기존의 텍스트 기반 유도만으로는 합성 이미지와 원본 이미지 간의 근접성을 제어하기 어렵다는 한계를 극복하기 위해, 이미지 유도를 통해 합성 이미지와 실제 이미지 간의 다양한 중간 이미지들을 생성합니다. DisCL은 훈련 단계별로 이미지 유도 수준을 조절하여 모델에 어려운 샘플에 집중하고, 효과적인 합성 이미지 유도 수준을 평가하여 어려운 데이터 학습을 개선합니다. 이를 통해 장기 분포(long-tail) 분류 및 저품질 데이터 학습 과제에서 성능 향상을 달성합니다. iWildCam 데이터셋에서 OOD 및 ID 매크로 정확도를 각각 2.7%와 2.1% 향상시켰고, ImageNet-LT 데이터셋에서는 꼬리 클래스 정확도를 4.4%에서 23.64%로, 전체 클래스 정확도를 4.02% 향상시켰습니다.
