우리는 확산 모델 (Diffusion Models)의 지식 증류 (Knowledge Distillation, KD) 과정에서, 교사 네트워크 (Teacher Network)의 매우 복잡한 노이즈 제거 (Denoising) 프로세스가 — 그보다 훨씬 큰 용량 (Capacity)에서 기인하여 — 학생 모델 (Student Model)이 이를 충실히 모방하는 데 상당한 어려움을 준다는 것을 입증합니다. 이 문제를 해결하기 위해, 우리는 선형 적합 기반 증류 (LInear FiTtingbased distillation, LIFT)와 조각별 국소 적응형 계수 추정 (Piecewise Local Adaptive Coefficient Estimation, PLACE)을 포함하는 coarse-to-fine 증류 프레임워크를 제안합니다. 첫째, LIFT는 목적 함수를 '거친 (coarse)' 정렬과 '정밀한 (fine)' 개선으로 분해합니다. 학생 모델은 정밀한 개선 단계로 넘어가기 전에 거친 정렬 단계에서 먼저 학습됩니다. 둘째, PLACE는 출력을 오류 기반 그룹으로 분할하여 국소적으로 적응형 가이던스 (Locally Adaptive Guidance)를 제공함으로써, 공간적으로 불균일한 오류를 해결하기 위해 LIFT를 확장합니다. 우리의 실험 결과에 따르면, LIFT와 PLACE는 확산 공간 (Diffusion Spaces; 이미지/잠재 공간 (Image/Latent)), 백본 (Backbones; U-Net/DiT), 작업 (Tasks; 무조건부/조건부 (Unconditional/Conditional)), 데이터셋 전반에 걸쳐 효과적이며, 심지어 MMDiT (SD3)와 같은 흐름 기반 모델 (Flow-based Models)로도 확장됩니다. 나아가, 1.3M 파라미터의 학생 모델(교사의 1.6%에 불과함)을 사용하는 극단적인 압축 상황에서, 기존의 KD는 안정적인 학습을 위한 충분한 가이던스를 제공하지 못해 FID 점수가 종종 50-200 이상으로 저하되지만, 우리의 방법은 안정적으로 수렴하며 15.73의 FID를 달성합니다.