연구진이 디퓨전 모델 추론 방식을 개선하는 DiFA(Forward-Process Aligned Diffusion prediction) 프레임워크를 제안했어요. DiFA는 과거 예측을 단순한 수치 통합에 활용하는 대신, 일련의 상태 추정 문제로 재구성하는 방식이에요.
Kalman 필터링에서 영감을 받아, DiFA는 시간적 일관성과 노이즈 수준 호환성을 고려해 과거 예측을 통합하여 데이터 예측을 정제해요.
CIFAR-10, ImageNet 데이터셋에서 FID, IS, FD-DINOv2 등 다양한 지표에서 성능 향상을 보여주며, 추론을 순방향 통계 구조에 맞추면 생성 품질이 크게 향상됨을 입증했어요.