본 논문은 확산 모델(Diffusion Models)의 이미지 생성 성능은 우수하지만, 데이터를 의미 있는 특징으로 인코딩하는 저차원 잠재 공간이 부족하다는 문제점을 다룬다. DDIM 역전(inversion) 기법을 통해 이미지를 초기 노이즈로 매핑하는 과정을 분석하여, 초기 가우시안 노이즈, 생성된 샘플, 그리고 DDIM 역전을 통해 얻은 잠재 인코딩 간의 관계를 심층적으로 조사한다. 연구 결과, 매끄러운 영역에서는 다양성이 낮은 노이즈가 예측되는 구조적 패턴이 잠재 공간에 존재함을 보이고, 이는 역전 과정 초기 단계에서 평평한 영역의 노이즈 예측 오류가 다른 영역보다 훨씬 크기 때문임을 밝힌다. 결론적으로, 잠재 공간과 초기 노이즈 간의 차이로 인해 이미지 역전 공간의 조작성이 낮아지고, DDIM 역전 절차를 기반으로 한 보간 또는 편집의 다양성이 낮아지며, 잠재 공간에서 이미지로의 매핑이 명확하지 않음을 보여준다.
