이미지 생성에 쓰이는 확산 모델과 플로우 매칭 샘플러에서 조건을 더 강하게 반영하려 할 때 흔히 쓰는 방법이 ‘분류자 없는 가이던스(CFG)’다. 그런데 가이던스를 크게 주면 결과가 지나치게 진해지는 과포화가 일어나고 생성이 불안정해진다. 실무자들은 보통 단계 수를 늘리거나 가이던스 적용 구간을 제한해 이 증상을 눌러왔다. 최근 arXiv에 공개된 한 논문(동료심사 전 공개본)은 이 문제를 미봉책이 아니라 수치해석의 눈으로 다시 들여다봤다.
저자는 결정론적 DDIM 한 스텝이 가이던스 없는 종단 층에 대해서만 ‘들어맞는 연산자’이며, 그것도 샘플링 마지막의 아주 작은 시그마 구간에서만 정확하다고 본다. 그런데 가이던스를 주면 판별 부분공간이 1+w라는 비정상적인 지수로 다시 뻣뻣해지고, 그 지점에서 DDIM은 더 이상 들어맞지 않게 된다. 그 결과 성긴 격자에서는 가이던스 잔차가 시그마가 0으로 갈수록 발산한다. 저자는 이를 ‘가이던스 시계 장벽’이라 부르며 세 단계로 정렬된 스텝 크기 임계값을 증명하고, 한 스텝에서 나타나는 과포화가 연속적인 가이던스 법칙 자체의 성질이 아니라 풀이기의 인위적 산물이라고 해석한다.
제안된 해법은 추가 신경망 평가 없이 계수 하나만 바꾸는 수리 방식이다. 기존 CFG가 쓰는 항 w(r-1)을 가이던스 방향에서 r^(1+w)-r로 대체한다. 별도의 연산 비용을 들이지 않고도 풀이 과정의 불안정을 잡겠다는 것이다.
검증에서는 CIFAR-10 학습 체크포인트로 실험한 격자에서 이 방법이 CFG 대비 9개 지점 중 9개 모두에서 FID 점수 우위를 보였고, 스테이블 디퓨전 1.5(DDIM)를 이용한 교차 도메인 점검도 진행했다. 다만 저자는 이 방법이 모든 이미지 품질에서 이기는 만능 해법은 아니며, 촘촘한 기준선과 비교하면 항상 더 나은 적분기라고 할 수는 없다고 스스로 단서를 달았다. 자세한 내용은 원문 초록 보기에서 확인할 수 있다.
