연구진은 시각적 오토리거시브 모델(VAR)의 지속적인 개인화 문제를 해결하기 위해 CPC-VAR 프레임워크를 제안했어요. GCNS를 통해 이전 개념을 보존하고, 멀티-브랜치 모델링과 로컬 크로스 어텐션 퓨전을 통해 여러 개인화된 개념을 제어 가능하게 합성해요.
기존 VAR 모델은 개인화 설정이 고정되어 있어 사용자 요구 변화에 대응하기 어려웠고, 순차적 개념 학습 시 Catastrophic Forgetting 문제가 발생했어요. 또한, 여러 개념을 합성할 때 특징 얽힘과 속성 불일치 문제가 있었어요.
CPC-VAR는 기존 방법 대비 장기적인 지속적인 개인화 성능을 향상시키고, 멀티 컨셉 이미지 합성에서 우수한 결과를 보여주며 VAR 모델의 확장 가능성과 제어 가능성을 입증했어요.