본 논문은 사전 훈련된 확산 모델을 활용하여 개인화된 생성 모델을 효율적으로 구축하는 새로운 방법인 "Domain Guidance"를 제안합니다. 기존의 확산 모델은 높은 성능에도 불구하고 모델 크기와 계산 비용이 매우 크다는 단점이 있습니다. Domain Guidance는 사전 훈련된 모델의 지식을 활용하여 샘플링 과정을 목표 도메인으로 유도함으로써, 기존의 미세 조정 방식보다 효율적이고 고품질의 생성 결과를 얻을 수 있도록 합니다. Classifier-free guidance와 유사한 구조를 가지며, 실험 결과 기존 미세 조정 방식 대비 FID에서 19.6% 이상, FD<sub>DINOv2</sub>에서 23.4% 이상의 성능 향상을 보였습니다. 또한, 기존 미세 조정된 모델에도 추가 훈련 없이 적용 가능하다는 장점이 있습니다.
