ノイズの幾何学：なぜ拡散モデルにノイズ条件付けが不要なのか
本稿では、拡散モデルにおけるノイズ条件付け（noise conditioning）の必要性を幾何学的視点から再検証する。従来、モデルは各タイムステップのノイズレベルを明示的に入力する必要があるとされてきたが、論文はこの前提を覆し、適切なアーキテクチャ設計によりノイズ条件付けなしでも同等以上の性能が達成可能であることを示す。ノイズ多様体の幾何学的構造を解析し、学習過程における暗黙的なノイズ適応メカニズムを明らかにする。
背景メモ
拡散モデル（画像生成AIの主流技術）では通常、ノイズの強さをモデルに明示的に与える「ノイズ条件付け」が必須とされてきた。本稿は、厳密な数学的証明を用いて、ノイズレベルが符号化された「ノイズエンコーディング」さえ入力に含まれていれば、モデル内部で暗黙的にノイズ強度を推論できるため、明示的な条件付けは不要であると示す。この主張は、既存の拡散モデルの設計思想に一石を投じ、実装の単純化や新たなアーキテクチャの可能性を開く。著者は機械学習研究者で、数理的な厳密性を重視するIntuitive Papersで発表している。