MRS: ODE 및 SDE 솔버 기반의 빠른 평균 회귀 확산 샘플러

Ao Li 등 연구진이 개발한 MRS 알고리즘은 평균 회귀 확산(MR Diffusion) 기반의 빠른 이미지 생성 샘플러로, 기존 방법 대비 10~20배 빠른 속도와 고품질 샘플 생성을 지원합니다. 학습이 필요 없고 다양한 매개변수화 방식을 지원하는 MRS는 제어 가능한 이미지 생성 분야의 혁신적인 발전으로 평가됩니다.

혁신적인 이미지 생성 기술: MRS 알고리즘의 등장

최근 딥러닝 분야에서 확산 모델(Diffusion Model)을 이용한 이미지 생성 기술이 급속도로 발전하고 있습니다. 특히, 제어 가능한 이미지 생성은 실용적인 측면에서 매우 중요한 과제입니다. 기존의 방법들은 주로 확산 모델의 점수 함수를 수정하는 방식을 채택했지만, Ao Li 등 연구진이 발표한 논문 “MRS: A Fast Sampler for Mean Reverting Diffusion based on ODE and SDE Solvers”은 이러한 한계를 뛰어넘는 새로운 접근법을 제시합니다.

평균 회귀 확산(Mean Reverting Diffusion, MR Diffusion) 이라는 혁신적인 구조를 통해 이미지 조건을 더욱 자연스럽게 통합한 것입니다. 하지만 기존의 빠른 샘플링 기법은 MR Diffusion에 직접 적용될 수 없었고, 고품질 샘플을 얻기 위해서는 수백 번의 함수 평가(NFEs)가 필요했습니다.

MRS 알고리즘: 속도와 품질의 완벽한 조화

연구진은 이 문제를 해결하기 위해 MRS(MR Sampler) 라는 새로운 알고리즘을 개발했습니다. MRS는 MR Diffusion의 역시간 SDE와 확률 흐름 ODE(PF-ODE)를 해석적으로 풀어, 반해석적(semi-analytical) 해를 도출하는 데 성공했습니다. 이 해는 신경망으로 매개변수화된 적분과 해석적 함수로 구성되어 있습니다.

이를 통해 고품질 샘플을 훨씬 적은 단계로 생성할 수 있게 되었습니다. 특히, MRS는 학습이 필요 없다는 점이 큰 장점입니다. 노이즈 예측, 데이터 예측, 속도 예측 등 주요 매개변수화 방식을 모두 지원하며, 다양한 이미지 복원 작업에서 10~20배의 속도 향상을 달성했습니다.

10가지 이상의 이미지 복원 작업에서 검증된 성능

연구진은 10가지 이상의 이미지 복원 작업을 통해 MRS 알고리즘의 성능을 실험적으로 검증했습니다. 그 결과, MRS는 기존 방법에 비해 훨씬 빠른 속도로 고품질 샘플을 생성하는 것을 확인했습니다. 이는 제어 가능한 이미지 생성 기술의 실용성을 크게 향상시키는 획기적인 성과입니다.

결론: 미래 이미지 생성 기술의 새로운 지평을 열다

MRS 알고리즘은 평균 회귀 확산의 효율성을 극대화하여 제어 가능한 이미지 생성 분야에 새로운 가능성을 제시합니다. 학습이 필요 없다는 점과 다양한 매개변수화 방식을 지원한다는 점은 실제 응용에서 큰 장점으로 작용할 것입니다. 앞으로 MRS 알고리즘은 이미지 생성, 이미지 복원 등 다양한 분야에서 널리 활용될 것으로 예상됩니다.