연구진은 Test-Time Tuning(TTT) 과정에서 발생하는 Prior Collapse 문제를 지적했어요. Prior Collapse는 모델이 텍스트 조건과 공간 정보를 무시하고 원본 비디오로 생성 결과를 좁히는 현상이에요.
ElasticTTT는 Target Distribution Regularization, Contrastive CFG, Asynchronous Noise Schedule을 통해 사전 생성 분포를 보존하고 생성 유연성을 회복하는 새로운 프레임워크를 제안했어요.
실험 결과 ElasticTTT는 기존 방식보다 뛰어난 성능을 보이며, 기반 모델의 생성 사전(prior)을 성공적으로 보존하는 것을 확인했어요.