DDPM

Ho et al., 2020 — arXiv:2006.11239

핵심 아이디어

Forward process: 데이터에 가우시안 노이즈를 T 스텝에 걸쳐 점진적으로 추가
Reverse process: 노이즈에서 원본 데이터로 복원하는 방향 학습

Forward Process

$$q(x_t | x_{t-1}) = \mathcal{N}(x_t; \sqrt{1-\beta_t} x_{t-1}, \beta_t I)$$

Reverse Process (학습 목표)

각 스텝에서 추가된 노이즈를 예측하는 U-Net 학습:

$$\mathcal{L} = \mathbb{E}{t, x_0, \epsilon}\left[|\epsilon - \epsilon\theta(x_t, t)|^2\right]$$

GAN 대비 장점

• 학습 안정적
• Mode Collapse 없음
• 고품질 이미지 생성

한계

• 샘플링이 느림 (T=1000 스텝) → DDIM, LDM으로 가속

의의

Stable Diffusion, DALL-E 2, Imagen 등 현대 이미지 생성 모델의 핵심 원리.