연구진은 역 렌더링 문제를 해결하기 위해 Feature-Informed Diffusion Evolution (FIDE) 프레임워크를 제안했어요. FIDE는 미분 정보 없이도 렌더러를 투명한 함수로 취급하며 시각적 특징을 활용해 후보 파라미터를 예측해요.
ViT를 활용해 후보 렌더링에서 시각적 특징을 추출하고, 이를 바탕으로 디퓨전 기반 후보 제안 모델을 학습시켜 성능을 개선했어요.
경로 추적, 벡터 스플라인, 보로노이 셰이더, 로봇 공학 등 다양한 역 렌더링 문제에서 기존 방식보다 수렴 속도가 빠르고 지역 최적점에 갇히지 않는다는 점을 입증했어요.