확산 모델의 환각을 드러내는 로컬 내재 차원

확산 모델은 구조적 환각 (hallucinations) 을 발생하기 쉽습니다. 이는 학습 데이터의 통계적 특성과는 일치하지만, 근본적인 구조 규칙을 위반하여 손가락이 5 개보다 많거나 같은 등의 이례적인 현상을 초래합니다. 최근 연구들은 이 실패 모드를 여러 관점에서 분석하며, 모드 간섭 (mode interpolation) 등 발생 원인을 부분적으로 설명했습니다. 본 작업에서는 환각을 모델 유도 다양체 (model-induced manifold) 상의 불안정성으로 다루는 보완적 관점을 제안합니다. 먼저, 이러한 불안정성을 기반으로 한 환각 필터가 최근 제안된 시간적 필터와 성능이 같거나 더 높음을 보여줍니다. 이러한 불안정성의 원인을 추적하여 로컬 내재 차원 (Local Intrinsic Dimension: LID) 이 주요 동인임을 확인하고, 이를 완화하기 위해 직접적인 수정 메커니즘인 본질 냉각 (Intrinsic Quenching: IQ) 을 제안합니다. IQ 는 다양한 벤치마크에서 표준 환각 감소 기법보다 일관되게 우수한 성능을 보이며, 후속 의료 영상 작업에서 해부학적 일관성을 강제하는 데 매우 유망한 해결책을 제공합니다.