확산 및 플로우 모델에서 다중 제약을 동시에 합성할 때 발생하는 오프-매니폴드 드리프트의 근본 원인을 분석한다. 그래디언트 불일치가 심할수록 근사 오차가 커짐을 규명하고, 이를 해결하는 충돌 인식 가산 가이던스(g^car)를 제안한다. g^car는 경량의 학습 가능한 방법으로 그래디언트 충돌을 동적으로 감지하고 해소하여 오프-매니폴드 드리프트를 수정한다. 합성 데이터셋, 이미지 편집, 계획 및 제어를 위한 생성적 의사결정 등 다양한 영역에서 기준 모델 대비 생성 품질이 향상됐다.
- •g^car는 바이렐 튜닝 없이 외부 제약을 주입하는 추론 시 여러 제약의 합성 실패를 해결한다.
- •그래디언트 불일치 슬케일링 오차가 오프-매니폴드 드리프트의 주요 원인임을 이론적으로 규명한다.
- •합성 데이터셋, 이미지 편집, 생성적 의사결정 등 다양한 도메인에서 g^car의 효과를 검증했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Conflict-Aware Additive Guidance for Flow Models under Compositional Rewards
- 1.다중 제약 조건 동시 적용 시 발생하는 오프-매니폴드 드리프트 문제를 분석
- 2.그래디언트 충돌을 동적으로 감지·해소하는 경량 학습 가능 방법 CAR 가이던스 제안
- 3.합성 데이터, 이미지 편집, 계획·제어용 생성적 의사결정 등 다양한 도메인에서 검증
왜 중요한가?
파인튜닝 없이 외부 제약 조건을 주입하는 추론 시간 가이드 샘플링의 신뢰성을 높여 실용적 생성 AI 제어에 기여한다.
본문 미리보기
arXiv:2605.20758v1 Announce Type: new Abstract: Inference-time guided sampling steers state-of-the-art diffusion and flow models without fine-tuning by interpreting the generation process as a controllable trajectory. This provides a simple and flexible way to inject external constraints (e.g., cost functions or pre-trained verifiers) for controlled generation. However, existing methods often fail when composing multiple constraints simultaneously, which leads to deviations from the true data m
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
