확산 모델은, 서로 다른 수준의 노이즈로 손상된 잡음 데이터를 해당 손실 항들의 가중합을 최적화함으로써(즉, denoising score matching loss) 복원하는 방법을 학습한다. 본 논문에서는 특정 노이즈 수준으로 손상된 데이터를 복원하는 일이, 모델이 풍부한 시각 개념을 학습하기 위한 적절한 전위 과제(pretext task)를 제공함을 보인다. 우리는 학습 중 다른 노이즈 수준들보다 이러한 노이즈 수준을 우선시하도록, 목적 함수의 가중치 설계를 재구성함으로써 이를 제안한다. 제안하는 가중치 스킴의 단순한 재설계는 데이터셋, 아키텍처 및 샘플링 전략과 무관하게 확산 모델의 성능을 유의미하게 향상시킴을 보인다.

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