블라인드 디노이징 확산 모델과 차원의 축복

초록

본 논문은 노이즈 레벨을 입력으로 받지 않는 블라인드 디노이저를 이용한 확산 모델(BDDM)의 이론적 근거와 실험적 검증을 제공한다. 데이터가 낮은 내재 차원을 가질 때, BDDM은 자동으로 암묵적인 노이즈 스케줄을 추정하며, 다항 시간 안에 정확한 샘플링이 가능함을 증명한다. 또한, 스케줄‑프리 BDDM이 비블라인드 모델보다 샘플 품질이 우수함을 실험적으로 확인한다.

상세 분석

이 논문은 블라인드 디노이징 확산 모델(BDDM)의 성공을 두 가지 핵심 원리로 설명한다. 첫째, 데이터 분포가 낮은 내재 차원(k)을 가질 경우, 블라인드 디노이저가 입력 이미지로부터 노이즈 표준편차 σ를 일관되게 추정할 수 있다는 베이지안 추정 이론을 제시한다. 논문은 최적 블라인드 디노이저 f⋆가 σ에 대한 사후분포 μ(σ|y) 위에서 스코어 함수 ∇log pσ(y)를 평균한 형태임을 증명하고, 이는 σ가 실제 노이즈 레벨에 집중한다는 가정 하에 σt라는 연속적인 암묵 스케줄을 정의한다. 둘째, 이 암묵 스케줄 σt는 식 σt² = σ0²e⁻²t + 2∫₀ᵗ a_s e⁻²(t−s)ds 로 명시적으로 구해지며, a_t가 감소하고 0으로 수렴하면 σt 역시 단조 감소하고 최종적으로 0에 접근한다. 따라서 BDDM의 역동역학 dY_t = (fθ(Y_t)−Y_t)dt + √2a_t dB_t 은 실제 노이즈 스케줄을 자동으로 따르게 된다.

이론적 분석은 세 단계로 구성된다. (1) 최적 블라인드 디노이저의 형태를 도출하고, 이를 이용해 연속시간 SDE dX_t = s⋆(X_t)dt + √2a_t dB_t 를 정의한다. (2) Fokker‑Planck 방정식을 적용해 X_t의 분포가 p_{σ_t}=p_X∗N(0,σ_t²I) 를 유지하도록 σ_t의 ODE를 유도한다. (3) 실제 학습된 디노이저 f̂와 최적 디노이저 f⋆ 사이의 L2 오차 ε_BD, 그리고 스코어 함수 근사 오차를 포함한 KL 발산 상한을 Girsanov 정리를 통해 제시한다. 여기서 핵심은 μ(σ|X_t) 가 σ_t에 강하게 집중한다는 가정이며, 이는 정의된 내재 차원 k가 로그 차원보다 훨씬 작을 때( k² ≪ log d ) 확률론적으로 보장된다.

복잡도 분석 결과, BDDM은 전체 샘플링 단계 수가 O(k²/ε²) 로, 데이터 차원 d가 아닌 내재 차원 k에만 의존한다. 이는 기존 비블라인드 확산 모델이 d에 비례하는 복잡도를 갖는 것과 대조적이다. 또한, 암묵 스케줄이 자동으로 추정되므로 일정한 스텝 사이즈 h 만을 사용해도 충분히 정확한 샘플을 얻을 수 있다. 실험에서는 합성 저차원 데이터와 고해상도 이미지(FFHQ, LSUN) 에 대해 σ_t를 직접 추정한 결과와 이론적 식이 거의 일치함을 확인했으며, PSNR·FID 지표에서 스케줄‑프리 BDDM이 비블라인드 모델을 능가함을 보고한다. 마지막으로, 비블라인드 모델에서 발생하는 “노이즈 레벨 불일치” 오류가 샘플 품질 저하의 주요 원인임을 실증적으로 입증한다.

요약하면, 논문은 (i) 낮은 내재 차원 가정 하에 블라인드 디노이저가 노이즈 레벨을 정확히 추정한다, (ii) 이 추정이 암묵적인 노이즈 스케줄을 형성해 역확산 과정이 수학적으로 타당함을 보장한다, (iii) 결과적으로 샘플링 복잡도가 차원에 덜 민감하고, (iv) 실제 이미지 생성에서도 비블라인드 대비 품질 향상을 달성한다는 일련의 이론‑실험적 기여를 제공한다.