潜在拡散モデル(Latent Diffusion Models: Stable Diffusion)の計算効率化

ピクセル空間(例: 512×512×3)で直接拡散モデルを動かすと計算量が莫大になります。LDMはVAEにより知覚的に等価な潜在表現(例: 64×64×4)へ圧縮してから拡散モデルを適用するため、計算効率が飛躍的に向上しました。 ア:正解です。潜在空間での拡散(Denoising)とVAEデコーダによる画像復元の組み合わせが高速・高品質の鍵です。 イ:誤りです。最終的にVAEデコーダにより元の高解像度ピクセルへ高品質に復元します。 ウ:誤りです。数十ステップのデノイズを行い、サンプラー(DDIMやDPMSolver等)で効率化します。 エ:誤りです。Cross-Attention機構によりCLIPテキスト埋め込みを入力して精密なプロンプト誘導(Text-to-Image)を行います。

Stable Diffusionの基盤アーキテクチャである「潜在拡散モデル(LDM: Latent Diffusion Models)」が高解像度画像生成を高速に行える理由として、最も適切なものを1つ選択してください。

出典G検定オリジナル模擬試験
ア
事前学習されたオートエンコーダ(VAE)を用いて高次元のピクセル空間を低次元の「潜在空間(Latent Space)」に圧縮し、その潜在空間上で拡散・ノイズ除去プロセスを実行する。
イ
画像のピクセル数を 8 × 8 ピクセルに不可逆圧縮したまま二度と拡大しない。
ウ
拡散ステップ数を必ず 1 ステップだけに制限し、GPUのメモリを使用しない。
エ
テキストエンコーダ(CLIP等)を完全に排除し、文章による条件付けを行わない。