챕터별 상세
00:00
순방향 확산: 데이터의 의도적 파괴
DDPM의 시작은 생성 이전에 데이터를 파괴하는 과정인 순방향 확산(Forward Diffusion)이다. 실제 이미지에 가우시안 노이즈를 아주 작은 단계로 나누어 점진적으로 추가하며, 충분한 단계가 지나면 이미지는 완전한 노이즈 상태가 된다. 이 과정은 사전에 정의된 수학적 규칙에 따라 통제되므로 모델이 별도로 학습할 필요가 없는 고정된 단계이다. 결국 모델이 나중에 복원해야 할 '정답 노이즈'가 무엇인지 정의하는 역할을 한다.
가우시안 노이즈는 평균이 0이고 분산이 일정한 정규 분포를 따르는 무작위 신호이다.
01:20
신경망의 역할: 노이즈 예측
역방향 과정에서 신경망(U-Net)은 깨끗한 이미지를 한 번에 만들어내는 것이 아니라 현재 이미지에 섞여 있는 노이즈를 예측하도록 학습된다. 모델은 '이 노이즈 섞인 이미지에서 노이즈 성분만 골라내줘'라는 단순한 질문에 답하는 방식으로 동작한다. 픽셀을 직접 생성하는 것보다 노이즈를 예측하는 것이 수학적으로 더 명확하고 학습이 용이하기 때문이다. 이 예측된 노이즈를 원래 이미지에서 조금씩 빼나가는 과정이 반복되면서 구조가 드러나게 된다.
02:15
타임스텝 인코딩의 중요성
이미지의 노이즈 수준에 따라 디노이징 전략이 달라져야 하므로 타임스텝(Timestep) 정보가 모델에 입력되어야 한다. 거의 깨끗한 이미지와 완전한 노이즈 상태에서 수행해야 할 작업은 완전히 다르기 때문에 사인파 특징(Sinusoidal Features)을 사용하여 시간 정보를 벡터로 변환한다. 이를 통해 동일한 U-Net 모델이 현재 노이즈가 얼마나 심한지 인지하고 그에 맞는 강도로 노이즈를 예측할 수 있게 된다. 이는 모델이 데이터의 거친 윤곽부터 세부 디테일까지 단계적으로 복원하는 기준이 된다.
03:05
생성 과정: 노이즈에서 구조로
실제 이미지 생성 시에는 완전한 무작위 노이즈에서 시작하여 학습된 디노이징 규칙을 반복 적용한다. 매 단계마다 모델이 예측한 노이즈를 빼고 수학적으로 유도된 리스케일링을 거친 뒤, 아주 작은 양의 새로운 노이즈를 다시 추가한다. 새로운 노이즈를 추가하는 이유는 모델이 단일한 결과로 수렴(Collapse)하지 않고 매번 다양하고 독창적인 이미지를 생성할 수 있도록 하기 위함이다. 이 반복적인 과정을 통해 무질서한 노이즈가 서서히 구체적인 구조를 갖춘 현실적인 이미지로 변모한다.
용어 해설
- 디노이징 확산 확률 모델(DDPM)
- — 이미지에 점진적으로 노이즈를 추가하고 이를 다시 제거하는 과정을 통해 데이터를 생성하는 확률론적 생성 모델이다. 순방향 확산으로 데이터를 파괴하고 역방향 과정에서 노이즈를 예측하여 복원하는 메커니즘을 가진다. 고품질의 이미지 생성과 데이터 분포 학습에 핵심적인 역할을 한다.
- 순방향 확산(Forward Diffusion)
- — 원본 데이터에 가우시안 노이즈를 단계적으로 추가하여 최종적으로 완전한 노이즈 상태로 만드는 과정이다. 이 과정은 고정된 수학적 규칙에 따라 수행되며 별도의 학습이 필요하지 않다. 역방향 복원 과정을 학습시키기 위한 정답 노이즈 데이터를 생성하는 기반이 된다.
- U-Net
- — 인코더와 디코더가 대칭 구조를 이루며 스킵 연결을 통해 세부 정보를 보존하는 신경망 아키텍처이다. 확산 모델에서는 입력된 노이즈 이미지에서 실제 포함된 노이즈 성분만을 예측하는 핵심 엔진으로 사용된다. 이미지의 공간적 구조를 유지하면서 특징을 추출하는 데 최적화되어 있다.
- 사인파 특징(Sinusoidal Features)
- — 시간이나 위치 정보를 주기적인 함수인 사인과 코사인 값으로 변환하여 신경망에 입력하는 방식이다. 확산 모델에서 현재 노이즈가 추가된 단계(타임스텝) 정보를 모델이 인식할 수 있게 한다. 이를 통해 모델은 노이즈 수준에 따라 서로 다른 강도로 디노이징을 수행할 수 있다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 09.수집 2026. 05. 09.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
