연구진은 텍스트-3D 변환, 단일 단계 증류, 데이터 귀속 등 파이프라인에서 디퓨전 모델을 활용하는 방식을 연구했어요. 기존 방식은 노이즈 레벨과 가우시안 노이즈 샘플에 대한 몬테카를로(MC) 기대값을 사용하는데, 이 과정에서 발생하는 분산이 컴퓨팅 비용을 높이는 주요 원인이에요. CARV 프레임워크는 이러한 문제를 해결하기 위해 계층적 MC 추정 방식을 제안했어요.
CARV는 텍스트-3D 변환 및 귀속 실험에서 2~3배의 컴퓨팅 효율을 달성했으며, 이는 주로 업스트림 연산의 재사용 덕분이에요. 단일 단계 증류에서는 기울기 분산을 10배 줄였지만, 다운스트림 FID는 개선되지 않아 MC 분산이 더 이상 병목 현상이 아니라는 점을 확인했어요.
연구 결과는 디퓨전 모델을 활용한 파이프라인의 효율성을 높이는 데 기여할 수 있으며, 특히 컴퓨팅 자원이 제한적인 환경에서 유용할 것으로 기대돼요.