본 논문은 사전 훈련된 확산 모델의 일반화 행동을 설명하는 간단하고 훈련이 필요 없는 메커니즘을 제안합니다. 사전 훈련된 확산 모델과 이론적으로 최적인 경험적 모델을 비교하여 다양한 네트워크 아키텍처에서 공유되는 국소적 귀납적 편향을 확인합니다. 이 관찰을 바탕으로 네트워크 디노이저가 국소적 디노이징 연산을 통해 일반화한다는 가설을 세웁니다. 이는 이러한 연산이 훈련 분포의 대부분에서 훈련 목표를 잘 근사하기 때문입니다. 가설을 검증하기 위해, 네트워크의 행동을 복제하기 위해 국소적 경험적 디노이저를 집계하는 새로운 디노이징 알고리즘을 도입합니다. 순방향 및 역방향 확산 과정에서 이 알고리즘을 네트워크 디노이저와 비교한 결과, 제안된 접근 방식은 신경망 출력과 일관된 시각적 유사성을 보이며 이전 방법보다 평균 제곱 오차가 낮습니다.
