본 논문은 생성 모델에서 고품질 샘플을 생성하는 확산 모델의 최근 발전에도 불구하고, 개별 샘플의 품질이 낮을 수 있다는 문제를 해결하기 위해 베이지안 프레임워크를 제안합니다. 이 프레임워크는 합성 샘플의 생성 불확실성을 추정하며, 대규모 최신 생성 모델에 대한 베이지안 추론을 실현 가능하게 만드는 방법과 고차원 샘플 공간의 문제를 해결하기 위한 새로운 의미론적 가능도(특징 추출기의 잠재 공간에서 평가)를 제시합니다. 실험을 통해 제안된 생성 불확실성이 저품질 샘플을 효과적으로 식별하고 기존의 불확실성 기반 방법보다 성능이 뛰어남을 보여줍니다. 또한, 사후적으로 사전 훈련된 확산 모델이나 흐름 일치 모델에 적용 가능하며(라플라스 근사를 통해), 샘플링 중 계산 오버헤드를 최소화하기 위한 효과적인 기법을 제시합니다.
