최근 확산 모델 (Diffusion models) 은 이미지 복원 작업, 특히 초해상도 (super-resolution) 과 관련하여 강력한 성능을 입증했습니다. 그러나 이러한 모델은 큰 모델 크기와 반복적 샘플링 절차로 인해 실제 배포에 있어 계산 비용이 매우 높습니다. 본 연구에서는 먼저 컴팩트한 확산 백본을 발견하는 것을 통해 효율적인 단 단계 초해상도 모델을 구축하기 위한 프레임워크인 TOC-SR 을 제시합니다. 16 채널 잠재 확산 모델 (latent diffusion model) 에서 시작하여, 특징 기반 생성蒸馏 (feature-wise generative distillation) 을 사용하여 파라미터 효율적인 서로이트 블록을 구성하고, 모델 복잡성을 최소화하면서 생성적 충실도를 유지하기 위해 에르곤 제약 조건 (epsilon-constrained) 베이esian 최적화 (Bayesian Optimization) 를 사용하여 아키텍처 발견을 수행했습니다. 결과적으로 얻은 컴팩트한 확산 백본은 확장된 확산 모델에 비해 파라미터가 6.6 배, GMACs 가 2.8 배 감소했습니다. 우리는 이 백본을 초해상도 (super-resolution) 에 적용하고 확산 프로세스를 단 단계 생성기 (single-step generator) 로蒸馏 (distill) 했습니다. 실험 결과 제안된 접근법은 강력한 복원 품질을 유지하면서 효율적인 초해상도를 가능하게 함을 입증했습니다.