확산 모델의 추론 시간 확장: 점진적 시드 가지치기를 통해

Inference-Time Scaling of Diffusion Models via Progressive Seed Pruning

💡 이 논문은 확산 모델에서 이미지 생성 품질을 높이기 위해 초기 노이즈 시드를 효율적으로 탐색하고 불필요한 시드를 제거하는 새로운 방법을 제안합니다. 이를 통해 제한된 계산 자원으로 더 좋은 이미지를 얻을 수 있습니다.

핵심 요약

무엇을 · 확산 모델의 이미지 생성 과정에서 초기 노이즈 시드 선택이 최종 이미지 품질에 큰 영향을 미치는데, 이 문제를 해결하기 위한 새로운 추론 시간 확장 방법인 '점진적 시드 가지치기(Progressive Seed Pruning, PSP)'를 제안합니다.
어떻게 · PSP는 이미지 생성 초기에 여러 노이즈 시드를 평가하고, 그중 유망한 시드들만 남겨두고 나머지는 제거하는 방식으로 작동합니다. 즉, 전체 모델 평가 횟수는 고정하되, 중간 단계에서 노이즈 제거된 이미지들을 평가하여 후보군을 점진적으로 좁혀나갑니다.
결과 · PSP는 기존의 '최고의 N개 선택', '중요도 샘플링', '트리 탐색' 같은 방법들과 동일한 계산 자원 내에서 더 높은 GenEval 점수(자동 평가)와 더 나은 프롬프트 일치도(인간 평가)를 달성하며, 보상 기반 시드 선택을 일관되게 개선합니다.

기존 확산 모델은 초기 시드 선택에 따라 결과물의 품질이 크게 달라지지만, 이를 효율적으로 개선하는 방법이 부족했습니다. 이 연구는 제한된 자원으로도 더 좋은 품질의 이미지를 생성할 수 있는 실용적인 해결책을 제시합니다.

이 기술은 고품질 이미지를 생성하는 데 필요한 계산 비용을 줄여, AI 이미지 생성 서비스나 콘텐츠 제작 분야에서 효율성을 높일 수 있습니다. 예를 들어, 더 적은 시간과 비용으로 원하는 이미지를 얻을 수 있게 됩니다.

초록에는 명시적인 한계점이 언급되어 있지 않습니다. 다만, '고정된 계산 예산'이라는 전제 하에 효율성을 높이는 방법이므로, 계산 예산 자체가 매우 제한적인 환경에서는 여전히 어려움이 있을 수 있습니다.

#확산 모델#이미지 생성#시드 가지치기

arXiv 원문 보기 → Rogerio Guimaraes, Pietro Perona · 2026-07-23 · arXiv:2607.21591

이 요약이 유용했나요?

※ 이 요약은 AI 보조로 생성하고 사람이 검수했습니다. 난이도·실생활 영향·톤은 본 사이트의 편집 의견이며, 정확한 내용은 반드시 원문(arXiv)을 확인하세요. 번역은 AI 기반으로 오역 가능성이 있습니다. 출처: arXiv (2607.21591).