기존 텍스트-이미지 확산 모델은 여러 개의 서로 다른 피사체를 생성하는 데 어려움을 겪는다. 복잡한 프롬프트는 종종 피사체 누출을 야기하여 수량, 속성 및 시각적 특징에 부정확성을 초래한다. 피사체 간 누출을 방지하려면 각 피사체의 공간적 위치에 대한 지식이 필요하다. 최근 방법들은 외부 레이아웃 제어를 통해 이러한 공간적 위치를 제공한다. 그러나 이러한 규정된 레이아웃을 강제 적용하면 샘플링된 초기 노이즈에 의해 결정된 고유 레이아웃과 충돌하여 모델의 사전 확률과의 불일치를 초래한다. 본 연구에서는 초기 노이즈에서 파생된 프롬프트와 정렬된 공간 레이아웃을 예측하고 잡음 제거 과정 전체에서 이를 개선하는 새로운 접근 방식을 제시한다. 이 노이즈 유도 레이아웃을 사용함으로써 외부에서 부과된 레이아웃과의 충돌을 피하고 모델의 사전 확률을 더 잘 보존한다. 본 방법은 작은 신경망을 사용하여 각 잡음 제거 단계에서 진화하는 노이즈 유도 레이아웃을 예측하고 개선하여 일관성을 유지하면서 피사체 간의 명확한 경계를 보장한다. 실험 결과에 따르면, 이 노이즈 정렬 전략은 기존 레이아웃 유도 기법과 비교하여 향상된 텍스트-이미지 정렬과 더 안정적인 다중 피사체 생성을 달성하는 동시에 모델의 원래 분포의 풍부한 다양성을 보존한다.
