연구진이 디퓨전 모델의 성능 저하 없이 압축하는 새로운 가지치기 프레임워크를 제안했어요. 이 프레임워크는 이미지의 의미 있는 영역에 중요한 파라미터를 보존하는 데 중점을 둡니다. 기존 방식보다 높은 압축률에서도 이미지의 선명도와 구조적 정확성을 유지하며 MS-COCO 데이터셋에서 일관된 성능을 보였어요.
공간적 중요도 맵을 활용하여 파라미터 순위를 결정함으로써, 기존의 균일한 복원 오차 기반 가지치기 방식의 한계를 극복했어요. 이를 통해 모델은 시각적으로 중요한 콘텐츠를 더 잘 보존할 수 있습니다.
본 연구는 생성 모델의 효율적인 압축을 위해 콘텐츠 인식적 목표가 중요하다는 것을 입증하며, 훈련 과정 없이도 모델의 성능을 유지하는 새로운 가능성을 제시합니다.