흐름 기반 확산 모델은 이미지 및 비디오 생성 모델 훈련에 널리 사용되지만, 기억과 일반화 간의 관계는 잘 알려지지 않았습니다. 이 연구는 흐름 매칭 (FM) 목표를 재검토하고, 정확한 오라클 FM 타겟을 계산할 수 있는 닫힌 형식의 표현을 갖는 주변 속도장을 연구했습니다. 분석 결과, 흐름 기반 확산 모델은 두 단계의 훈련 목표를 가짐을 발견했습니다. 초기 단계는 데이터 모드의 혼합에 의해 안내되고, 후기 단계는 가장 가까운 데이터 샘플에 의해 지배됩니다. 이 두 단계 목표는 서로 다른 학습 동작을 이끌어냅니다. 초기 단계는 전반적인 레이아웃을 형성하기 위해 데이터 모드에 걸쳐 일반화하고, 후기 단계는 세밀한 세부 사항을 점점 더 기억합니다. 이러한 통찰력을 바탕으로 시간 단계 이동 스케줄, 분류기 없는 가이드 간격 및 잠재 공간 설계 선택과 같은 실제 기술의 효과를 설명합니다. 이 연구는 확산 모델 훈련 역학에 대한 이해를 높이고, 향후 아키텍처 및 알고리즘 개선을 위한 원리를 제공합니다.
