연구진이 잠재 확산 모델의 효율성과 불확실성 정량화 가능성을 높이는 Patch-PODiff-ViT를 개발했어요. 이 모델은 비선형 오토인코더 대신 패치 기반의 POD(Proper Orthogonal Decomposition)를 활용해 잠재 공간을 정의해요.
POD를 통해 얻은 저차원 토큰은 공간 구조를 보존하고, Vision Transformer를 사용한 효율적인 확산을 가능하게 하며, 물리 공간 예측 분산을 분석적으로 전파할 수 있어요.
해양 표면 온도, 의료 영상, 자연 이미지 등 다양한 분야에서 기존 방식보다 적은 파라미터와 메모리로 강력한 복원력을 보여주며, 경험적 앙상블과 유사한 정확한 공간 불확실성을 제공해요.