확산 모델은 성공적이지만, 비현실적이거나 일관성이 없는 샘플을 생성하는 환각 현상으로 알려져 있습니다. 본 논문에서는 추론 시 점수 함수의 Laplacian (또는 선명도)을 활용하는 post-hoc 조정을 제안하여 무조건부 확산 모델에서 모드 보간 환각을 줄입니다. 1D, 2D 및 고차원 이미지 데이터에 적용 가능하며, Hutchinson trace estimator의 유한 차분 변형을 사용하여 고차원에 대한 효율적인 Laplacian 근사를 도출합니다. 이 보정이 1D/2D 분포 및 고차원 이미지 데이터 세트에서 환각 샘플의 비율을 유의미하게 감소시킴을 보였습니다. Laplacian과 점수 불확실성 간의 관계도 분석합니다.
