본 논문은 사전 훈련된 텍스트-이미지 확산 모델의 기능을 확장하여 다양한 이미지-이미지 생성 작업을 지원하는 간단하면서도 효과적인 방법인 다중 작업 업사이클링(MTU)을 제안합니다. MTU는 확산 모델의 피드포워드 네트워크(FFN) 레이어를 더 작은 FFN(전문가라고 함)으로 대체하고 동적 라우팅 메커니즘과 결합합니다. 기존의 접근 방식과 달리, 추가적인 매개변수나 자원 집약적인 재훈련 없이 다양한 작업을 지원하며, 특히 매개변수 증가 문제를 완화하여 온디바이스 배포에 적합합니다. 이미지 편집, 초고해상도, 인페인팅 등 여러 작업에서 단일 작업 미세 조정 확산 모델과 동등한 성능을 보이며, 유사한 지연 시간과 계산 부하(GFLOPs)를 유지합니다.
