Adversarially guided diffusion sampling은 목표 클래스를 달성하지만, 적대적으로 제어된 궤적과 정상 궤적 간의 편차가 누적되면서 샘플 품질이 저하됩니다. 이 저하를 제어된 확산 프로세스와 정상 (제어되지 않은) 확산 프로세스 간의 경로 공간 Kullback-Leibler 발산(path-KL)으로 공식화하고, Girsanov의 정리를 통해 이 값이 정확히 제어 에너지와 같음을 보입니다. 이 확률적 최적 제어(SOC) 관점을 기반으로, 이 path-KL을 최소화하면 2-Wasserstein 거리와 Frechet Inception Distance (FID) 모두에 대한 상한을 동시에 조이는 것을 이론적으로 확립합니다. 변동 관점에서, 제어에 대한 1차 최적성 조건을 도출합니다. 즉, 동일한 분류 이득을 산출하는 모든 방향 중에서 등밀도 표면에 접하는 구성 요소(즉, 점수에 수직)는 path-KL을 최소화하는 반면, 정상 구성 요소는 직접적인 분포 드리프트를 증가시킵니다. 이는 DPAC (Distribution-Preserving Adversarial Control)로 이어지며, 확산 안내 규칙은 적대적 기울기를 생성 점수 기하학에 의해 정의된 접선 공간에 투영합니다. 또한, 이산 솔버에서 접선 투영이 Wasserstein 거리에서 O({\Delta}t) 선두 오차 항을 취소하여 O({\Delta}t^2) 품질 격차를 달성하고, 점수 또는 메트릭 근사에 대한 2차 강건성을 유지함을 보여줍니다. ImageNet-100에 대한 실험 연구는 이론적 예측을 검증하여 DPAC가 일치하는 공격 성공률에서 더 낮은 FID와 추정된 path-KL을 달성함을 확인합니다.
