확산 모델은 서로 다른 수준의 노이즈로 손상된 잡음 데이터를, 해당하는 손실 항들의 가중합(즉, 노이징 스코어 매칭 손실)을 최적화함으로써 복원하는 법을 학습한다. 본 논문에서는 특정 노이즈 수준으로 손상된 데이터를 복원하는 것이, 모델이 풍부한 시각적 개념을 학습하기 위한 적절한 전처리 과제(pretext task)가 됨을 보인다. 우리는 학습 중에 다른 노이즈 수준보다 이러한 노이즈 수준을 우선하도록, 목적 함수의 가중치 배합을 재설계함으로써 제안한다. 가중치 배합에 대한 우리의 단순한 재설계는 데이터셋, 아키텍처, 샘플링 전략과 무관하게 확산 모델의 성능을 유의미하게 향상시킴을 보인다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.