본 논문은 텍스트-이미지 모델의 잠재 공간에서 최적화를 포함하는 다양한 후속 작업을 용이하게 하기 위해 표준 가우시안 분포와 일치하도록 샘플을 유도하는 새로운 정규화 손실을 제안합니다. 고차원 샘플의 요소들을 1차원 표준 가우시안 변수로 취급하고, 공간 영역에서 모멘트 기반 정규화와 스펙트럼 영역에서 파워 스펙트럼 기반 정규화를 결합한 복합 손실을 정의합니다. 모멘트와 파워 스펙트럼 분포의 기댓값은 분석적으로 알려져 있으므로, 이 손실은 이러한 특성과의 일치를 촉진합니다. 순열 불변성을 보장하기 위해 손실은 무작위로 순열된 입력에 적용됩니다. 주목할 만하게, 기존의 가우시안 기반 정규화는 우리의 통합 프레임워크 내에 포함됩니다. 일부는 특정 차수의 모멘트 손실에 해당하는 반면, 이전의 공분산 매칭 손실은 우리의 스펙트럼 손실과 동일하지만 공간 영역 계산으로 인해 더 높은 시간 복잡도를 초래합니다. 본 논문에서는 텍스트-이미지 모델을 사용한 테스트 시간 보상 정렬을 위한 생성 모델링에서 우리의 정규화 적용을 보여주며, 특히 미학과 텍스트 정렬을 향상시키는 데 중점을 둡니다. 제안된 정규화는 기존의 가우시안 정규화보다 성능이 뛰어나며, 보상 해킹을 효과적으로 방지하고 수렴 속도를 높입니다.
