# PEEK, 확산 이미지 생성 중 오류 줄이는 샘플러 제안

> 연구진은 학습 없이 적용할 수 있는 샘플러 플러그인을 제안했다. 8개 확산 모델에서 이미지 생성 점수가 개선됐다고 밝혔으며, 보정에는 약간의 비용이 든다.

Oossa · 2026-11-05 · https://oossa.com/ko/peek-aims-to-reduce-diffusion-image-errors-during-sampling

연구진이 확산 이미지 생성기에 학습 없이 적용할 수 있는 플러그인 PEEK를 소개했다. PEEK는 샘플링 과정에서 일부 단계를 진행할 때 디노이저를 한 번 더 평가한 뒤, 그 예측을 활용해 다음 단계를 조정한다. 이를 통해 학습 때 입력과 실제 생성 과정에서 모델이 접하는 불완전한 입력 사이의 차이인 노출 편향을 줄인다.

저자들은 텍스트 조건 설정을 포함해 픽셀 공간 및 잠재 공간 모델 8개에서, 디노이저 평가 횟수를 맞춘 기준 방법보다 성능이 개선됐다고 보고했다. FID가 최대 49.3% 개선됐으며, 실험에서 모델별 플러그인 보정에 걸린 시간은 최대 2.2분이었다.

## 팩트

- 논문은 NeurIPS 2026에 채택됐다.
- 저자들은 확산 모델 8개에서 PEEK를 시험했으며, FID가 최대 49.3% 개선됐다고 보고했다.

## 왜 중요한가

확산 이미지 생성기를 연구하는 팀은 재학습 없이 샘플러 단계에서 시험해 볼 수 있는 방법으로 PEEK를 활용할 수 있다. 다만 논문은 실제 제품에 적용했을 때의 성능을 입증하지는 않았다.

## 출처 및 참고 자료

1. [PEEK: One-Step-Look-Ahead Exposure Bias Correction for Diffusion Sampling](https://arxiv.org/abs/2611.05407) – arXiv cs.CV, 2026-11-05

최종 업데이트: 2026-11-05