본 논문은 이산 확산 모델에서의 효율적인 샘플링 문제를 해결하기 위해 예측-보정 샘플링 기법을 제안합니다. 기존 방법들이 샘플링 단계 수 감소 시 계산량과 샘플 품질 사이의 균형을 맞추는 데 어려움을 겪는 문제를 해결하고자, 확산 모델의 정보를 활용하여 누적 근사 오차를 더욱 효과적으로 보정하는 정보 기반 보정기를 제안합니다. 또한, 홀로우 트랜스포머 기반의 아키텍처 수정과 더 많은 학습 신호를 활용하는 맞춤형 학습 목표를 통해 정보 기반 보정기의 효과를 향상시킵니다. 합성 데이터와 text8, 토큰화된 ImageNet 256x256 데이터셋을 이용한 실험 결과, 제안된 방법이 기존 방법보다 더 적은 오류 또는 향상된 FID 점수로 우수한 샘플을 생성함을 보여줍니다.
