클래스 조건부 확산 모델 (class-conditional diffusion models)의 파라미터 압축은 출력 수준 증류 (output-level distillation)에서 아직 충분히 탐구되지 않은 한계를 드러냅니다. 즉, 무조건부 점수 분기 (unconditional score branch)가 비지도 상태로 남아 있어, 학생 모델 (student)에서 분류기 없는 가이드 (classifier-free guidance) 간극이 미결정 상태로 남게 됩니다. 매 디노이징 (denoising) 단계마다 증폭되는 이 간극은 두 분기 모두 동일한 예측값으로 붕괴되는 퇴행적 솔루션을 허용하며, 이로 인해 출력 수준의 훈련 손실 (training loss)이 낮음에도 불구하고 가이드 (guidance)가 효과를 발휘하지 못하게 만듭니다.

본 논문은 두 점수 분기 (score branches)를 독립적으로 감독하는 이중 분기 증류 프레임워크인 DASH를 소개합니다. DASH는 독립적인 분기 제약 (branch constraints)을 통해 각 훈련 샘플에 대한 타겟 분기 출력을 고유하게 지정하며, 조건부 예측을 실제 노이즈 (ground-truth noise)로 정규화하는 앵커 항 (anchor term)을 사용합니다. 또한, 이 프레임워크는 TIRT Transfer를 도입하여 교사 모델 (teacher)의 수렴된 타임스텝별 중요도 커리큘럼 (per-timestep importance curriculum)을 고정된 사전 지식 (frozen prior)으로 학생 모델에 복사함으로써, 제한된 증류 예산 내에서 이를 다시 학습할 필요를 제거합니다.

CIFAR-10 및 CIFAR-100에 대한 실험 결과, 5.9배 압축 시에도 50단계 DDIM 샘플링에서 교사 모델과 4 FID 포인트 이내의 품질을 유지하며, 가이드 충실도 (guidance fidelity)를 잘 보존하면서 처음부터 훈련하는 방식보다 훨씬 뛰어난 성능을 보였습니다. 절제 연구 (Ablation studies)를 통해 무조건부 감독 (unconditional supervision)이 전체 증류 이득의 60% 이상을 차지하는 지배적인 기여 요소임을 확인했습니다. 커리큘럼 전이 (Curriculum transfer)와 앵커 정규화 (anchor regularisation)는 상호 보완적인 이점을 제공하며, 결과적으로 이중 분기 제약이 가이드를 보존하는 압축을 위해 경험적으로 필수적임을 입증했습니다.