멱등 생성을 위한 인코더-디코더 매니폴드 정렬
Encoder-Decoder Manifold Alignment for Idempotent Generation
최근 생성 모델에서 멱등성(idempotency)을 강제하기 위한 여러 학습 패러다임이 도입되었습니다. 목표는 모델을 반복 적용했을 때 샘플이 목표 데이터 매니폴드(data manifold) 위에 있으면 변하지 않도록 하는 것입니다. 그러나 실무에서는 이러한 접근법 다수가 정확한 고정점(fixed point)을 달성하지 못해, 반복 적용 시 불안정성과 드리프트(drift)가 발생합니다. 본 연구에서는 이러한 실패의 핵심 원인이 인코더와 디코더가 학습하는 매니폴드 간의 기하학적 불일치에 있다고 주장합니다. 인코더는 입력을 하나의 잠재 매니폴드(latent manifold)에 투영하는 반면, 디코더는 암묵적으로 다른 매니폴드로부터 데이터를 재구성하도록 학습합니다. 이 불일치는 모델이 진정으로 멱등적인 매핑을 학습하는 것을 방해합니다. 이 문제를 해결하기 위해, 인코더와 디코더가 동일한 근본 데이터 매니폴드에 대한 일관된 표현을 학습하도록 강제하여 이 간극을 명시적으로 메우는 새로운 학습(training) 프레임워크를 제안합니다. 이 구성 요소들의 기하학을 정렬함으로써, 우리 방법은 안정적인 투영을 유도합니다. 실험적으로, 우리 접근법이 기존 방법과 비교하여 현저히 낮은 멱등성 오류를 달성하고, 반복 적용 시 동일한 출력을 일관되게 재생성함을 보입니다. 제안한 프레임워크의 효과를 이미지 생성 및 이미지 편집 작업 모두에서 입증합니다. 마지막으로, 이러한 방식으로 멱등성을 강제하면 정체성 보존(identity preservation)과 정보 안정성이 향상되어, 더 사실적이고 제어 가능한 생성형 편집 모델로 이어짐을 보입니다.