역렌더링 (Inverse rendering)은 전통적으로 미분 가능한 렌더러 (differentiable renderers)와 경사 하강법 (gradient descent)을 통해 해결되어 왔으나, 이는 상당한 문제별 엔지니어링을 요구하며 모호성으로 인해 지역 최솟값 (local minima)에 빠지기 쉽습니다. 미분 불필요 (Derivative-free) 방식은 엔지니어링 요구 사항을 완화하지만, 종종 양호한 문제 초기화 (initialization)에 크게 의존합니다. 본 연구에서는 그래디언트 (gradients)나 특정 초기화가 필요 없는 완전한 블랙박스 프레임워크인 특징 정보 기반 확산 진화 (Feature-Informed Diffusion Evolution, FIDE)를 제안합니다. 여기서 렌더러는 이미지를 생성하기만 하면 되는 불투명한 함수 (opaque function)로 취급됩니다. 우리의 핵심 통찰은 특징 가이드 (feature guiding)입니다. 각 후보 렌더링을 스칼라 손실 (scalar loss) 값으로 줄이는 대신, 비전 트랜스포머 (Vision Transformer, ViT)를 사용하여 후보로부터 조밀한 시각적 특징 (dense visual features)을 추출합니다. 이후 이러한 특징들을 사용하여 확산 기반 후보 제안 모델 (diffusion-based candidate proposal model)을 학습시키며, 이를 통해 네트워크가 시각적 단서를 사용하여 타겟 이미지와 일치하는 파라미터 (parameters)를 예측할 수 있도록 합니다. 이 확산 모델이 제안하는 후보 솔루션들은 CMA 진화 전략 (CMA evolution strategy)과 함께 폐쇄 루프 (closed loop) 내에서 정제되며, 최적화가 진행됨에 따라 제안 영역을 지속적으로 좁혀 나갑니다. 우리는 경로 추적 (path tracing), 벡터 스플라인 (vector splines), 보로노이 셰이더 (Voronoi shaders), 로보틱스 (robotics) 등 다양한 역문제 (inverse problems)에 걸쳐 검증을 수행하였으며, 특징 가이드 방식이 스칼라 손실 (scalar-loss) 베이스라인보다 수렴 성능을 실질적으로 향상시키고, 그래디언트 기반 방식이 정체되는 지역 최솟값 (local minima)을 안정적으로 탈출함을 입증하였습니다.