Bayesian 관점에서 점수 기반 확산은 사전 정보와 우도를 결합하여 역 문제를 해결하지만, 실제 동작은 사전 정보의 제한적인 안내와 측정 일관성 항에 의해 주도된다. 본 논문은 확산 과정을 기대값-최대화(EM) 스타일 프레임워크 내 초기화 단계로 재해석하여, 확산 단계와 데이터 기반 정제 단계를 완전히 분리한다. DAPS++를 제안하여 우도 항이 추론을 더 직접적으로 안내하도록 하고, 수치적 안정성을 유지하며, 통합 확산 궤적이 실질적으로 효과적인 이유에 대한 통찰력을 제공한다. DAPS++는 적은 함수 평가(NFEs)와 측정-최적화 단계를 통해 다양한 이미지 복원 작업에서 높은 계산 효율성과 견고한 재구성을 달성한다.
