DDPM 확산 모델의 수학적 원리와 PyTorch 구현

**확산 모델(Diffusion Model)**은 단순한 노이즈 분포에서 데이터 샘플로 변환하는 생성 모델로, 최근 이미지, 오디오, 비디오 생성 분야에서 혁신적인 성과를 거두고 있습니다.

**DDPM(Denoising Diffusion Probabilistic Models)**의 핵심 메커니즘은 다음 두 가지 과정으로 구성됩니다.

• 순방향 확산 과정(Forward Diffusion Process): 데이터에 점진적으로 가우시안 노이즈를 추가하여 완전한 노이즈 상태로 만드는 고정된 과정입니다.
• 역방향 역확산 과정(Reverse Denoising Process): 학습된 신경망을 통해 노이즈로부터 점진적으로 데이터를 복원하여 실제 이미지로 만드는 과정입니다.

수학적으로는 가우시안 분포와 분산 스케줄(variance schedule)을 사용하여 모델이 최적화해야 할 손실 함수를 정의합니다. 본 가이드는 Phil Wang의 구현을 바탕으로 PyTorch를 이용한 단계별 코드 구현을 제공하여 이론과 실습을 연결합니다.