효율적이고 별도의 학습이 필요 없는 Single-Image Diffusion 모델

단일 참조 이미지의 내부 구조(다양한 스케일의 패치 분포)를 유지하며 이미지를 생성하는 새로운 방식을 제안한다. 기존의 Single-image diffusion 방식은 단일 이미지를 위해 별도의 모델을 학습시켜야 했으나, 이는 막대한 계산 비용과 수 시간의 최적화 시간을 요구했다.

본 연구는 이미지를 다양한 스케일의 패치(patch) 데이터셋으로 모델링하여 이 문제를 해결한다. 패치의 차원이 작고 데이터셋이 유한하다는 점을 이용해, 최적의 **폐쇄형 디노이저(closed-form denoiser)**를 사용하여 노이즈가 섞인 패치의 score function을 계산한다. 이를 통해 신경망 학습 과정 없이도 효율적인 이미지 확산 모델을 구현할 수 있다.

주요 특징 및 성과는 다음과 같다:

• 학습 불필요(Training-free): 별도의 최적화 과정 없이 즉각적인 이미지 생성이 가능하다.
• 고성능: 기존의 학습 기반 Single-image diffusion 모델 대비 최첨단(SOTA) 수준의 생성 품질과 다양성을 달성했다.
• 다양한 응용: 무조건부 이미지 생성, 텍스트 가이드 스타일화, 이미지 대칭화, 리타겟팅 등에 활용 가능하다.
• 압도적인 속도: Latent space diffusion과 호환되며, 메가픽셀급 이미지는 1초 내에, 기가픽셀급 이미지는 수 분 내에 생성할 수 있는 가속 기술을 제공한다.