본 논문은 점수 기반 생성 모델에서 추론 시간 보상 정렬을 위한 효과적인 SMC(Sequential Monte Carlo) 기반 프레임워크인 $\Psi$-Sampler를 제안합니다. 기존의 SMC 기반 방법들이 가우시안 사전 분포에서 입자를 초기화하여 보상과 관련된 영역을 제대로 포착하지 못하고 샘플링 효율이 낮은 문제점을 해결하기 위해, 보상을 고려한 사후 분포에서 입자를 초기화하는 방법을 제시합니다. 고차원 잠재 공간에서 사후 분포 샘플링을 가능하게 하기 위해, 차원에 강인한 제안 분포와 기울기 정보를 활용하는 pCNL(preconditioned Crank-Nicolson Langevin) 알고리즘을 도입합니다. 실험 결과, 레이아웃-이미지 생성, 수량 인식 생성, 미적 선호도 생성 등 다양한 보상 정렬 작업에서 성능 향상을 보였습니다.
