연구진이 Flow 모델의 다양성 저하 문제를 해결하기 위해 Feature Self-Guidance 기법을 제안했어요. 이 기법은 추가적인 보상 모델 없이도 학습 과정에 통합 가능하며, 추론 비용도 미미해요. 실험 결과, 다양한 조건부 Flow 모델에서 다양성은 향상되었고, 입력 조건과의 일관성도 유지되었어요.
Feature Self-Guidance는 Flow 모델의 내부 특징을 분산시켜 배치 생성 시 다양성을 확보하고, 데이터 매니폴드 정규화 단계를 통해 특징을 매니폴드에 투영하여 다양성을 유지하면서도 입력 조건에 대한 정렬을 보장해요. 이 기법은 기존 방식보다 효과적이며, 추가적인 학습 없이도 적용 가능해요.
Multi-step 및 few-step 텍스트-이미지, 깊이-이미지, 참조 이미지 생성 등 다양한 조건부 Flow 모델에서 성능 향상을 확인했어요. 연구는 arXiv에 공개되었으며, Flow 모델의 다양성 확보에 기여할 것으로 기대돼요.