본 연구는 Vision-Language Model(VLM)을 이미지 편집의 조건 인코더로 사용할 때 발생하는 성능 격차를 분석해요. VLM이 단방향 패스 제약으로 인해 지역화 능력을 제대로 활용하지 못한다는 가설을 세웠어요.
Analysis-by-Proxy라는 새로운 프레임워크를 도입하여 VLM의 중간 표현을 분석하고 지역화 정보를 담고 있는 표현을 파악했어요. 이를 통해 기존 편집 파이프라인의 조건 추출 전략의 실패 원인을 밝혀냈어요.
연구 결과, 단일 패스 제약 하에서 지역화 신호가 일반적인 조건 설정 레이어 구성으로 안정적으로 전달되지 않고 중간 표현에 숨겨져 있다는 것을 확인했어요.