Antigravity Agent
f8b21af4be
10_Wiki/Topics 대규모 정리: - 오류 캡처/미완성 stub 문서 227개 제거 - 교차폴더 중복 43클러스터 병합 (63파일 → redirect) - 링크명 정규화: 깨진 링크 수정·redirect 직결·개념 매핑 ~2,400건 - 카테고리 MOC 6개 신규 생성 - Graph 섹션 미해결 related-keyword 링크 10,058건 제거 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
92 lines
4.4 KiB
Markdown
92 lines
4.4 KiB
Markdown
---
|
|
id: wiki-2026-0507-012
|
|
title: 디퓨전 모델 작동 원리
|
|
category: 10_Wiki/Topics
|
|
status: verified
|
|
canonical_id: self
|
|
aliases: [wiki-2026-0507-012, Diffusion Models, 디퓨전 모델, 확산 모델]
|
|
duplicate_of: none
|
|
source_trust_level: B
|
|
confidence_score: 1.0
|
|
tags: [AI, Machine Learning, Diffusion Models, Generative AI, Image Generation]
|
|
raw_sources: [직접 입력]
|
|
last_reinforced: 2026-05-07
|
|
github_commit: pending
|
|
---
|
|
|
|
# 디퓨전_모델_작동_원리
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> 디퓨전 모델은 데이터에 노이즈를 섞는 과정을 학습한 뒤, 무작위 노이즈로부터 텍스트 조건에 맞춰 형태를 복원해가는 '역방향 확산'을 통해 고품질 이미지를 생성하는 아키텍처다.
|
|
|
|
---
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
**추출된 패턴:**
|
|
> 생성은 파괴(노이즈 추가)의 역과정이며, 이 반복적인 디노이징(Denoising) 단계 덕분에 GAN보다 학습이 안정적이고 프롬프트를 통한 세밀한 제어가 가능하다.
|
|
|
|
**세부 내용:**
|
|
- **핵심 프로세스:**
|
|
- **정방향 확산 (Forward Diffusion):** 원본 데이터에 가우시안 노이즈를 점진적으로 추가하여 완전한 노이즈로 변환하는 과정을 학습.
|
|
- **역방향 확산 (Reverse Diffusion):** 무작위 노이즈에서 시작하여 학습된 데이터를 바탕으로 노이즈를 제거하며 의도한 형태를 복원.
|
|
- **주요 특징:**
|
|
- **안정성:** GAN(생성적 적대 신경망)에 비해 훈련 과정이 안정적이고 모드 붕괴(Mode Collapse) 위험이 적음.
|
|
- **세밀한 제어:** 반복적인 생성 단계 덕분에 사용자가 중간 단계에서 개입하거나 매개변수(CFG, Seed 등)로 결과물을 조율하기 용이함.
|
|
- **제약 사항:** 반복 연산으로 인해 컴퓨팅 리소스 소모가 크며, 생성 속도가 단판 승부 방식인 GAN보다 상대적으로 느림.
|
|
- **플랫폼별 적용:**
|
|
- **Midjourney/DALL-E:** 클라우드 기반, 뛰어난 예술적 해석력과 접근성.
|
|
- **Stable Diffusion:** 오픈소스, 로컬 제어 및 무한한 커스텀 가능성 제공.
|
|
|
|
---
|
|
|
|
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
|
**언제 이 지식을 쓰는가:**
|
|
- 이미지 생성 AI의 기술적 배경이나 작동 원리를 설명해야 할 때.
|
|
- 생성 속도, 품질, 제어 가능성 사이의 트레이드오프를 분석할 때.
|
|
- 미드저니의 `--stop`이나 스테이블 디퓨전의 `Sampling Steps`가 결과에 미치는 영향을 이해하고 싶을 때.
|
|
|
|
**언제 이 지식을 쓰면 안 되는가:**
|
|
- GAN이나 VAE 등 확산 방식이 아닌 다른 생성 모델의 구체적 기술 사양이 필요한 경우.
|
|
|
|
**이 지식을 적용할 때의 권장 절차:**
|
|
1. **개념 이해:** 생성이 '노이즈에서 조각을 깎는 과정'임을 인식.
|
|
2. **파라미터 조절:** 디노이징 단계(Steps)를 높여 디테일을 확보하거나, CFG를 통해 프롬프트 준수 강도를 조절.
|
|
3. **플랫폼 선택:** 보안과 제어가 중요하면 로컬 SD, 심미적 결과가 중요하면 클라우드 모델 선택.
|
|
|
|
**주의사항 또는 알려진 한계:**
|
|
- 디퓨전 모델은 텍스트 이해도가 뛰어나지만, 수치적 계산이나 정교한 텍스트 렌더링(DALL-E 3 제외) 등에서는 여전히 한계가 있을 수 있음.
|
|
|
|
---
|
|
|
|
## 🧪 검증 상태 (Validation)
|
|
- **정보 상태:** verified
|
|
- **출처 신뢰도:** B
|
|
- **검토 이유:** 해당 없음
|
|
|
|
---
|
|
|
|
## 🧬 중복 검사 (Duplicate Check)
|
|
- **기존 유사 문서:** [[Diffusion Models]], [[디퓨전 모델 (Diffusion Models)]], [[확산 모델 (Diffusion Models)]]
|
|
- **처리 방식:** MERGE
|
|
- **처리 이유:** 확산 모델과 관련된 이론적 정의와 플랫폼별 특성을 담은 3개 문서를 통합하여 기술적 깊이를 더함.
|
|
|
|
---
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
|
- **과거 데이터와의 충돌:** 없음
|
|
- **정책 변화:** 단순 이미지 생성을 넘어 '연산 자원 효율성'과 '로컬 제어의 복잡성' 문제를 함께 다룸.
|
|
|
|
---
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- **Parent:** [[10_Wiki/Topics]]
|
|
- **Related:** [[CFG_스케일_제어]], [[미드저니_매개변수_제어]]
|
|
- **Raw Source:** 직접 입력
|
|
|
|
---
|
|
|
|
## 🕓 변경 이력 (Changelog)
|
|
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
|
|------|-----------|-----------|--------|
|
|
| 2026-05-07 | 3개 중복 문서를 통합 및 v3.0 규격 적용 | MERGE | B |
|