DiFA: 확산 모델을 위한 추론 시 순방향 과정 정렬

초록

현재 확산 모델을 위한 추론 프레임워크는 생성을 근본적으로 수치 적분 문제로 정식화합니다. 이러한 관점은 모델을 정확한 추정기로 간주하여 잡음 제거 과정의 고유한 통계적 불확실성을 무시합니다. 본 연구에서는 순방향 과정 정렬 확산 예측(DiFA)을 제안합니다. 이는 학습이 필요 없는 프레임워크로, 추론 시 데이터 예측 정제를 순차적 상태 추정 문제로 재구성합니다. DiFA는 과거 출력을 수치 적분에만 재사용하는 대신, 역방향 궤적을 따라 반복적인 데이터 예측을 상관된 관측값으로 취급하여 순방향 정렬 시간적 합의를 구축합니다. 칼만 필터링에서 영감을 받은 이 합의는 구조적 일관성과 잡음 수준 호환성에 따라 과거 예측들을 집계합니다. 시간적 합의의 과평활화 경향을 완화하기 위해, 잔여 세부 정보를 적응적으로 보존하는 편향 유도 메커니즘을 도입합니다. 실험적으로 DiFA는 CIFAR-10과 ImageNet에서 FID, IS, FD-DINOv2 등 평가 지표 전반에 걸쳐 유의미한 개선을 보여주며, 추론을 순방향 통계적 구조에 정렬하는 것이 생성 충실도를 크게 향상시킴을 입증합니다.

English

The prevailing inference framework for diffusion models formulates generation fundamentally as a problem of numerical integration. This perspective casts the model as an exact estimator, neglecting the inherent statistical uncertainty of the denoising process. In this work, we propose Forward-Process Aligned Diffusion prediction (DiFA), a training-free framework that reframes inference-time data prediction refinement as a sequential state estimation problem. Rather than reusing past outputs solely for numerical integration, DiFA treats iterative data predictions along the reverse trajectory as correlated observations to build a forward-aligned temporal consensus. Inspired by Kalman filtering, this consensus aggregates historical predictions according to structural consistency and noise-level compatibility. To counteract the over-smoothing tendency of temporal consensus, we introduce a deviation guidance mechanism to adaptively preserve residual details. Empirically, DiFA yields significant improvements on CIFAR-10 and ImageNet across the evaluated metrics, including FID, IS, and FD-DINOv2, demonstrating that aligning inference with the forward statistical structure substantially improves generative fidelity.