노이즈 제거 확산 확률 모델

초록

"선명한 이채영 이미지를 생성하는 법"

2020년 AI 최상위 컨퍼런스인 NeurIPS에 “Denoising Diffusion Probabilistic Models(DDPM)”라는 제목의 논문이 게재되었습니다. 이 논문은 이미지 데이터의 노이즈를 제거하는 과정을 신경망으로 학습시킴으로써, 기존 생성 모델인 GAN(Generative Adversarial Network)과 VAE(Variational Autoencoder)의 단점을 성공적으로 보완했습니다.

이후 Diffusion 모델은 생성 모델의 중요한 축으로 자리 잡으며 수많은 SOTA(State-Of-The-Art) 모델을 탄생시켰습니다. 이러한 학술적 화제성을 반영하듯 2025학년도 대학수학능력시험 독서 지문에 관련 내용이 등장하기도 했습니다.

본 세미나에서는 Diffusion 붐을 일으킨 원조격 논문인 DDPM의 동작 원리를 수학적으로 깊이 있게 이해해보는 시간을 가집니다. Loss function이 도출되는 수식 전개 과정을 짚어보며 모델의 본질적인 구조를 파악하고자 합니다.

Abstract

"How to Generate Sharp Images of Lee Chaeyoung"

In 2020, a paper titled “Denoising Diffusion Probabilistic Models” was published at NeurIPS, one of the top AI conferences. This paper proposed learning the process of removing noise from image data using neural networks, successfully addressing the limitations of existing generative models such as GANs (Generative Adversarial Networks) and VAEs (Variational Autoencoders).

Since then, diffusion models have become a major pillar of generative modeling, leading to the development of numerous SOTA (State-Of-The-Art) models. Reflecting this academic impact, related content even appeared in the reading section of the 2025 Korean College Scholastic Ability Test.

In this seminar, we will take a deep, mathematical look at the working principles of DDPM, the original paper that sparked the diffusion boom. By carefully going through the derivation of the loss function, we aim to understand the fundamental structure of the model.