요약

이 논문은 확산(Diffusion) 생성 모델의 표현력을 높이기 위해 '조합적 확률성(Combinatorial Stochasticity)'이라는 개념을 제안합니다. 기존 확산 모델들이 주로 연속적인 노이즈 샘플링에 의존하는 한계를 극복하고, 이산적이거나 조합적인 구조를 도입하여 모델이 더 다양하고 복잡한 패턴을 학습할 수 있도록 합니다. 이를 통해 생성된 콘텐츠의 품질과 다양성을 동시에 향상시키는 것을 목표로 합니다.

핵심 포인트

• 확산 모델의 표현력 강화를 위해 '조합적 확률성(ComboStoc)' 개념을 도입함.
• 기존 연속적인 노이즈 샘플링 방식의 한계를 극복하고 이산/조합적 구조를 활용하여 다양성을 확보함.
• 모델에 조합적 요소를 추가함으로써 생성 콘텐츠의 품질과 다양성을 동시에 향상시킬 수 있음.