연구진은 디퓨전 모델 추론 시 데이터 예측을 순차적 상태 추정 문제로 재정의하는 DiFA(Forward-Process Aligned Diffusion) 프레임워크를 제안했어요. DiFA는 과거 예측을 단순한 수치 적분 도구가 아닌, 일관성을 고려한 시간적 합의를 위한 상관 관계 있는 관측치로 활용해요.
Kalman 필터링에서 영감을 받아 구조적 일관성과 노이즈 수준 호환성을 고려한 합의를 통해 과도한 평활화 경향을 완화하는 편향 가이드 메커니즘을 도입했어요.
CIFAR-10 및 ImageNet 데이터셋에서 FID, IS, FD-DINOv2 지표에서 유의미한 성능 향상을 보여 디퓨전 모델의 생성 품질을 향상시키는 데 기여했어요.