Fractal Generative Models (FGMs)의 높은 이미지 품질에도 불구하고 자기 유사성으로 인한 낮은 다양성 문제를 해결하기 위해, 구조적 복잡성을 정량화하는 하우스도르프 차원(HD)을 활용한 새로운 접근 방식을 제안합니다. 이미지 임베딩에서 HD를 직접 예측하는 학습 가능한 HD 추정 방법을 개발하고, HD 기반 손실과 단조 모멘텀 기반 스케줄링 전략을 사용하여 시각적 품질 저하 없이 최적의 다양성을 확보합니다. 또한, 추론 시 HD 기반 거부 샘플링을 통해 기하학적으로 풍부한 출력을 선택합니다. ImageNet 데이터셋 실험 결과, 제안하는 FGM-HD 프레임워크는 기존 FGM 대비 출력 다양성을 39% 향상시키면서 유사한 이미지 품질을 유지합니다.
