확률 보존 흐름 가이드 (Probability-Conserving Flow Guidance)

확산 모델 (Diffusion models) 및 흐름 기반 생성 모델 (Flow-based generative models)은 시각적 합성 분야를 주도하고 있으며, 가이드 (Guidance) 기술은 샘플을 사용자 입력에 맞추고 지각적 품질 (Perceptual quality)을 향상시키는 역할을 합니다. 그러나 분류기 없는 가이드 (Classifier-Free Guidance, CFG) 및 외삽 기반 (Extrapolation-based) 방법들은 속도/점수 (Velocities/scores)의 휴리스틱한 선형 결합으로, 생성 매니폴드 (Generative manifold)의 기하학적 구조를 무시합니다. 이는 확률 보존 (Probability conservation)을 깨뜨리고, 강한 가이드 조건에서 샘플을 학습된 매니폴드 밖으로 밀어냅니다. 본 연구에서는 연속 방정식 (Continuity equation)을 통해 가이드를 분석하며, 그 효과가 발산 항 (Divergence term)과 매개변수화 (Parameterisations)에 관계없이 불변하게 정의되는 점수 평행 항 (Score-parallel term)으로 분해됨을 보여줍니다. 우리는 샘플링이 데이터 매니폴드 (Data manifold)에 접근함에 따라 발산 항이 구조적으로 폭발한다는 것을 증명하며, 이를 바탕으로 점수 평행 감쇠 (Score-parallel attenuation)와 함께 시간 의존적 스케줄 (Time-dependent schedule)의 필요성을 제시합니다. 그 결과로 도출된 플러그 앤 플레이 (Plug-and-play) 규칙인 적응형 매니폴드 가이드 (Adaptive Manifold Guidance, AdaMaG)는 추가적인 추론 비용 없이 두 항을 모두 제한합니다. 마지막으로, 채도 저하 (Saturation)를 줄이거나 생성 품질을 개선하기 위한 대부분의 경험적 휴리스틱이 우리의 분해 과정에 나타난 두 항과 직접적으로 대응됨을 보여줍니다. 이미지 생성 벤치마크 전반에 걸쳐, AdaMaG는 사실성을 향상시키고, 환각 (Hallucinations)을 줄이며, 높은 가이드 영역에서 제어된 채도 감소 (Desaturation)를 유도합니다.