강력한 확산 모델(DMs)의 안전성에 대한 우려가 커짐에 따라, 본 논문은 텍스트 기반 부정 프롬프트나 DM의 재훈련 없이, 샘플링 궤적을 직접 수정하여 부적절한 콘텐츠 생성을 방지하는 새로운 접근 방식을 제시합니다. 구체적으로, 안전하지 않은 이미지, 저작권이 있는 데이터 등 부정 집합을 활용하여 데이터 분포의 특정 영역을 피하도록 하는 "safe denoiser"를 제안합니다. 이 알고리즘은 텍스트 조건, 클래스 조건, 그리고 무조건적인 이미지 생성 시나리오에서 고품질의 샘플을 생성하면서 부정 영역을 성공적으로 회피하는 것을 보여줍니다.
