확산 모델(Diffusion Model) 기반의 이미지 생성 속도를 획기적으로 높이는 새로운 샘플링 기법, RASS(Rank-Aware Speculative Sampling)가 공개되었습니다. 이 기술은 기존 방식 대비 최대 20%의 속도 향상을 보여, 고품질 이미지 생성에 드는 시간과 비용을 크게 줄일 수 있을 것으로 기대됩니다.
RASS는 추측 샘플링(speculative sampling)이라는 가속화 기법을 활용합니다. 이는 저렴한 드래프트(draft) 상태를 병렬로 검증하여 전체 생성 시간을 단축하는 방식입니다. 특히, 기존 트리 기반 방법인 D-GRS(Diffusion Greedy Rejection Sampling)가 각 노드에서 독립적인 후보들을 생성하고 순차적으로 검증했던 것과 달리, RASS는 후보 이미지들이 가지는 '순위 정보'를 활용합니다. 제안-타겟 평균 변위(proposal-target mean displacement)를 기반으로 후보들의 순서를 정하고, 최적화된 가중치로 순위를 샘플링하여 검증 효율을 극대화합니다. 이 과정에서 타겟 모델(target model)을 추가로 평가할 필요 없이 정확한 샘플링을 보장합니다.
이러한 개선은 FFHQ의 비조건부 픽셀 공간 생성, CIFAR-10의 조건부 생성, 그리고 스테이블 디퓨전 3.5(Stable Diffusion 3.5)를 활용한 잠재 확산(latent diffusion) 등 다양한 환경에서 D-GRS 대비 성능 향상을 입증했습니다. 특히 CIFAR-10에서는 동일한 연산 예산(compute budget)으로 약 20%의 성능 개선을 달성했습니다. 이는 AI 이미지 생성의 상업적 활용 가능성을 더욱 높이고, 개발자들이 더 빠르고 효율적으로 고품질 콘텐츠를 만들 수 있는 기반을 마련할 것입니다.