본 논문은 모델 사전 훈련 중 계산(데이터 및 매개변수)의 한계 비용이 크게 증가함에 따라, 추론 시 추가 계산을 할당하여 생성 모델 성능을 향상시키는 테스트 시간 스케일링(TTS)에 대해 다룹니다. 기존의 TTS 연구는 주로 언어 관련 작업에 집중되어 있고, 이미지 및 비디오 생성 모델(확산 기반 또는 흐름 기반 모델)에 대한 이해는 부족했습니다. 본 논문에서는 확산 및 흐름 모델 모두에서 이미지 및 비디오 생성의 확장성을 효과적으로 향상시키는 새로운 일반적이고 효율적인 TTS 방법인 EvoSearch를 제안합니다. EvoSearch는 확산 및 흐름 모델에 대한 TTS를 진화적 탐색 문제로 재구성하여, 생물학적 진화 원리를 활용하여 잡음 제거 경로를 효율적으로 탐색하고 개선합니다. 신중하게 설계된 선택 및 돌연변이 메커니즘을 통합하여 고품질의 자손을 생성하면서 개체군 다양성을 유지합니다. 이미지 및 비디오 생성 작업에 대한 확산 및 흐름 아키텍처 모두에 대한 광범위한 평가를 통해 기존 방법보다 일관되게 우수한 성능, 높은 다양성, 그리고 보이지 않는 평가 지표에 대한 강력한 일반화 성능을 보임을 보여줍니다.
