한 단계 생성의 궤적 일관성을 위한 유러 평균 흐름

초록

본 논문은 긴 시간 구간의 흐름 일관성을 직접 데이터로 감독할 수 있도록, 반군집(semigroup) 구조를 선형화한 “Euler Mean Flows(EMF)” 프레임워크를 제안한다. 기존의 JVP 기반 방법이 요구하는 고비용 Jacobian 연산을 없애고, u‑예측과 x₁‑예측 두 형태를 통합적으로 학습한다. 실험 결과, 이미지·3D·함수 생성에서 샘플 품질을 유지하면서 학습 시간·메모리를 약 50 % 절감한다.

상세 분석

EMF의 핵심 아이디어는 흐름 맵의 반군집 성질 ϕₜ→ᵣ = ϕₛ→ᵣ ∘ ϕₜ→ₛ 를 작은 시간 간격 Δt에 대해 1차 테일러 전개로 근사함으로써, “평균 속도” uₜ→ᵣ = ϕₜ→ᵣ − xᵣ₋ₜ 를 선형적으로 표현한다는 점이다. 이때 uₜ→ₜ 은 실제 데이터에서 얻을 수 있는 조건부 순간 속도 uₜ(x|x₁) 로 대체될 수 있다. 논문은 (1) 반군집 식을 Δt‑근사식(Equation 9)으로 변형하고, (2) 이를 다시 uₜ→ᵣ 에 대한 식(Equation 10)으로 정리한 뒤, (3) 조건부 속도와 결합해 손실 L_E 를 정의한다. 중요한 점은 sg(stop‑gradient) 연산을 활용해 오른쪽 항의 그래디언트를 차단함으로써, JVP 없이도 일관성 손실을 계산한다는 것이다.

이론적 측면에서는 Theorem 4.2(국소 선형 근사)와 Theorem 4.3(EMF 손실이 원래 반군집 목표를 근사함)을 제시해, 흐름 맵이 충분히 매끄럽고 Δt 가 충분히 작을 경우 근사 오차가 o(Δt) 수준으로 억제된다는 것을 증명한다. 또한, 기존 방법이 “조건부 흐름 맵”이 존재하지 않음(Theorem 4.1)으로 인해 데이터 기반 감독이 어려운 반면, EMF는 조건부 순간 속도만을 이용해 직접적인 장기 흐름을 학습한다는 점에서 차별성을 가진다.

실험에서는 이미지 합성(FFHQ, CIFAR‑10), 파티클 기반 3D 기하 생성, 그리고 함수(신경 서피스) 생성 세 가지 도메인에서 비교한다. 동일한 샘플링 단계(1~4 단계)에서 EMF는 FID·IS·Chamfer 등 기존 지표에서 평균 5 %~12 % 개선을 보이며, 메모리 사용량은 기존 MeanFlow 대비 45 %~55 % 감소한다. 특히, u‑예측과 x₁‑예측 두 변형 모두 비슷한 성능을 유지하면서, x₁‑예측이 최종 상태에 대한 직접 감독으로 인해 더 빠른 수렴을 보인다.

요약하면, EMF는 (1) 반군집 구조를 선형화해 JVP‑free 손실을 만든다, (2) 조건부 순간 속도만으로 장기 흐름을 직접 감독한다, (3) u‑예측·x₁‑예측을 통합해 다양한 생성 시나리오에 적용 가능하게 한다는 세 가지 혁신을 제공한다. 이는 고비용 연산을 회피하면서도 일관성 있는 한‑스텝·소‑스텝 생성 모델을 구현하려는 연구자들에게 실용적인 설계 원칙을 제시한다.