챕터별 상세
01:10
Diffusion 수식
Diffusion은 데이터에 노이즈를 섞은 를 입력받아 노이즈 을 예측하는 스코어 매칭 방식을 사용한다. 샘플링 과정은 에서 예측된 노이즈를 점진적으로 제거하며 을 생성한다. 이 과정은 확률적이며 매 단계마다 노이즈가 제거된다.
Diffusion 모델은 노이즈를 예측하여 제거하는 방식으로 데이터를 복원한다.
04:19
Flow Matching 설명
Flow Matching은 노이즈에서 데이터로 향하는 벡터 필드를 직접 학습한다. 샘플링 시 모델이 출력하는 벡터 방향을 따라 를 이동시키며 데이터를 생성한다. 이 방식은 노이즈 제거가 아닌 벡터 필드에 따른 이동을 수행한다.
Flow Matching은 데이터 생성 경로를 벡터 필드로 정의하여 학습한다.
05:03
Diffusion이 돌아가는 이유
Diffusion 샘플링은 확률적 과정으로 매 단계마다 랜덤 노이즈 가 추가되어 궤적이 곡선을 그리며 복잡하게 이동한다. 반면 Flow Matching은 중간 과정의 랜덤성이 없어 궤적이 직선에 가깝다. 이 차이가 두 모델의 샘플링 궤적을 결정한다.
Diffusion의 확률적 특성이 샘플링 궤적을 곡선으로 만든다.
용어 해설
- 확산 모델(Diffusion)
- — 데이터에 노이즈를 점진적으로 추가하고 이를 제거하는 역과정을 학습하여 데이터를 생성하는 확률적 생성 모델.
- 플로우 매칭(Flow Matching)
- — 노이즈 분포에서 데이터 분포로 향하는 벡터 필드를 학습하여, 샘플링 시 결정적인 궤적을 따라 데이터를 생성하는 기법.
- 스코어 매칭(Score Matching)
- — 데이터 분포의 그래디언트인 스코어 함수를 학습하여 노이즈를 제거하는 Diffusion 모델의 핵심 학습 원리.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 18.수집 2026. 06. 18.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.
