단일 이미지로부터 장면의 고품질 신규 시점을 생성하려면 서로 다른 시점들 간의 구조적 일관성을 유지해야 하며, 이를 시점 일관성(view consistency)이라 한다. 확산 모델은 신규 시점 합성(novel view synthesis)에서의 발전을 이끌어 왔지만, 여전히 시점 간의 공간적 연속성을 보존하는 데 어려움을 겪는다. 이러한 문제를 해결하기 위해 확산 모델을 3D 모델과 결합한 접근들이 제안되어 왔으나, 복잡한 다단계 파이프라인으로 인해 효율성이 떨어진다. 본 논문은 추가 모듈 없이 확산 모델을 활용하는 새로운 시점-일관적 이미지 생성 방법을 제안한다. 핵심 아이디어는 뷰-가이드 워핑(view-guided warping)을 활용하여 시점 일관성을 보장함으로써, 학습 없이(training-free) 적응형 어텐션 조작(adaptive attention manipulation)과 노이즈 재초기화(noise reinitialization)를 가능하게 하는 방식으로 확산 모델을 강화하는 것이다. 신규-시점 데이터셋에 적합한 포괄적인 메트릭 프레임워크를 통해, 본 방법이 다양한 확산 모델 전반에 걸쳐 시점 일관성을 향상시킴을 보여주며, 이는 더 넓은 적용 가능성을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.