연구진은 복잡한 다중 양자화 데이터 의존성을 모델링하기 위해 에너지 기반 모델(EBM)을 활용하는 방법을 연구했어요.
다중 양자화 VAE의 단점을 극복하기 위해, 다중 양자화 EBM, 잠재 생성기, 합동 추론 모델의 MLE 업데이트와 데이터 및 잠재 공간에서의 MCMC 수정을 결합하는 학습 프레임워크를 제시했어요.
실험 결과, 제안된 프레임워크는 다양한 기준 모델보다 다중 양자화 합성 품질과 일관성 측면에서 우수한 성능을 보였고, 효과와 확장성을 검증하는 다양한 분석 및 제거 연구를 수행했어요.