본 논문은 정규화 흐름(Normalizing flows) 기반 생성 모델의 한계점을 해결하기 위해, 자기회귀 모델링의 장점을 활용하면서 동시에 추론 속도를 향상시키는 새로운 방법을 제시합니다. 기존 자기회귀 모델의 병렬 계산 제약으로 인한 느린 생성 속도 문제를 해결하기 위해, 패치 간의 엄격한 순차적 의존성이 고품질 샘플 생성에 필수적이지 않다는 점을 발견하고, 이를 바탕으로 선택적 자코비 디코딩(SeJD) 전략을 제안합니다. SeJD는 병렬 반복 최적화를 통해 자기회귀 추론 속도를 높이며, 이론적 분석을 통해 초선형 수렴 속도와 순차적 접근 방식보다 적은 반복 횟수를 보장합니다. 다양한 데이터셋에 대한 실험 결과를 통해 제안 방법의 일반성과 효과를 검증하고, 최대 4.7배의 추론 속도 향상을 달성하면서 생성 품질과 충실도를 유지함을 보여줍니다.
