배경
다중 생성 모델 결합(Diffusion Steering)은 서로 다른 목적으로 학습된 여러 확산 생성 모델을 하나의 생성 과정에서 조합하여, 단일 모델로는 만들기 어려운 복합 조건(다중 속성·다중 제약)을 동시에 만족하는 결과물을 생성하는 기술입니다. 재학습 없이 사전 학습된 전문가 모델들을 결합해 새로운 과업에 적응시킬 수 있어, IP 콘텐츠의 복합적 2차 창작에 필수적인 기반 기술입니다.
기존 기술의 한계
기존 결합 방식은 각 모델의 기여 비중을 고정된 지수(constant exponent)로 두는 밀도비(ratio-of-densities) 구성에 의존했습니다. 그러나 서로 다른 노이즈 스케줄·차원에서 학습된 이질적(heterogeneous) 전문가 모델을 결합하면, 입력·목표라는 양 끝점은 유효함에도 그 사이의 중간 확률 밀도가 정규화 불가능(non-normalizable)해지는 주변 경로 붕괴(Marginal Path Collapse) 현상이 발생합니다. 이 경우 수치 해법은 겉으로는 동작하는 듯 보여도 실제로는 의도한 분포에서 벗어난 결과를 생성하여, 다중 모델 결합의 신뢰성을 근본적으로 훼손합니다.
접근
ACE는 이 문제를 진단과 교정의 두 축으로 해결합니다. 먼저 경로 존재 판정 기준(PEC, Path Existence Criterion)을 도입하여, 결합된 중간 밀도가 수학적으로 정의 가능한지를 판정하고 붕괴가 일어나는 지점을 정확히 식별합니다. 이어 지수를 상수가 아닌 시변(time-varying) 함수로 일반화한 적응적 경로 보정(ACE, Adaptive Path Correction with Exponents)으로 조종 가중치를 매 시점 동적으로 조정하여, 최종 타임스텝까지 경로 존재를 보장(C(t)>0)합니다. ACE는 중간 분포의 분위 반경(quantile radius)을 제어하는 분산 감소 메커니즘으로도 작용하여 샘플링을 안정화합니다.
성과
OGQ GYN 연구팀은 합성 벤치마크에서 경로 붕괴를 완전히 제거하고 오차를 4배 축소하였으며, 이질적 전문가(de-novo·conformer·pocket-conditioned)를 결합하는 신약 설계 과제에서 기존 상수 지수 기반 방식을 능가하였습니다. 특히 조합 이미지 생성 벤치마크(COCO-MIG)에서 속성 정확도(attribute success rate)를 기존 대비 +9.6% 향상시켜, 이질적·동질적 확산 조종 전반에 적용 가능한 범용 프레임워크임을 입증하였습니다.