스도쿠는 엄격한 이산 제약 하에서 전역적 구조 추론이 필요한 대표적인 제약 만족 문제이다. 기존 스도쿠 해법 연구는 주로 두 가지 지배적 접근, 즉 전통적 휴리스틱과 심층 학습 솔버에 초점을 맞춰 왔다. 그러나 이들은 두 가지 상보적 한계를 지닌다. 학습 기반 솔버는 엄격한 정확성 보장이 부족하고, 완전한 기호적 솔버는 여전히 롱테일 검색에 취약하다. 이러한 단점을 해결하기 위해, 우리는 분기 선택 검색 과정을 위해 DiBS라고 명명한 새로운 확산 모델 가이드 접근법을 제안한다. 구체적으로 DiBS는 기호적 솔버의 완전성을 유지하면서 확산 모델을 분기 순서 가이드로 사용한다. 핵심 방법은 현재 부분 할당과 경량 일관성 신호 하에서 후보 값들을 순위화하는 것이다. 또한 우리는 그것이 어떻게 작동하고 왜 작동하는지 밝히기 위해 심층 이론적 증명을 제공한다. 도전적인 Royle 17-clue Sudoku 벤치마크에 대한 실험에서 DiBS는 강력한 휴리스틱 기준선 대비 검색 비용, 특히 노드 수, 백트랙 횟수, 롱테일 백분위수에서 상당히 감소시킴을 보여준다. 또한 이러한 결과는 학습된 전역 가이드가 분기 순서 오류의 비용이 가장 큰 어려운 인스턴스에서 효과적임을 확인한다. 모든 코드는 https://github.com/shanxierdan/DiBS 에서 이용 가능하다.
인간 이미지 애니메이션은 주로 확산 모델(diffusion model)에 힘입어 크게 발전해 왔다. 그러나 기존 방법들은 고품질 결과를 달성하기 위해 일반적으로 상당한 학습(training) 데이터와 리소스를 요구하여, 일반화와 접근성을 제한한다. 본 연구에서는 이미지 확산 모델의 고유 능력을 활용하여 시간적 일관성, 정체성 보존, 배경 안정성을 달성하는 학습 불필요 프레임워크인 FreeAnimate를 제안한다. 우리 접근법은 생성된 미리보기 프레임에서 시간적·구조적 사전 정보(prior)를 제공하는 새로운 미리보기 생성 전략을 통합하여, 학습 없이도 포즈 정렬과 배경 일관성을 효과적으로 안내한다. 또한 FreeAnimate는 시간적 일관성과 정체성 보존을 보장하기 위해 Inversion-Boosted Attention과 Reference-Anchored Self-Attention 모듈을 도입한다. 실험 결과, FreeAnimate는 기존 학습 불필요 경쟁 방법과 학습 기반 기준선(baseline) 방법을 능가하며, 최신(state-of-the-art) 방법에 필적하는 생성 품질을 달성하고 다양한 데이터셋(dataset)에 걸쳐 강건한 일반화를 제공함을 보여준다. 프로젝트 페이지는 https://freeani.github.io/ 에 있다.