연구진은 Distribution Matching Distillation(DMD) 방식의 영상 디퓨전 모델 추론 속도 향상 문제를 해결하기 위해 Score Gradient Matching Distillation(SGMD)을 제안했어요.
SGMD는 가짜 점수를 교사 모델에 직접 최적화하고, 안정적인 분포 매칭을 위해 교사 모델의 stop-gradient Fisher를 활용하며, NR과 RC라는 이중 포텐셜을 도입했어요.
실험 결과 SGMD는 DMD2에 비해 약 3배 빠른 학습 속도를 보였고, 4단계 디퓨전 모델의 운동 역학을 개선하며, 인간 평가에서 높은 선호도를 기록했어요.