확산 모델은 새로운 샘플 생성에 있어 최고 성능을 달성하지만, 데이터를 편집 가능한 특징으로 인코딩하는 저차원 잠재 공간이 부족하다. 반전 기반 방법은 노이즈 제거 궤적을 반전시켜 이미지를 근사 시작 노이즈로 전송함으로써 이러한 문제를 해결한다. 본 연구에서는 이 절차를 철저히 분석하고, 초기 노이즈, 생성된 샘플, 그리고 DDIM 반전을 통해 얻은 해당 잠재 인코딩 간의 관계에 초점을 맞춘다. 연구 결과, 잠재는 매끄러운 이미지 영역(예: 평범한 하늘)에 대해 덜 다양한 노이즈가 예측되는 형태의 구조적 패턴을 나타낸다는 것을 발견했다. 이러한 문제는 첫 번째 반전 단계에서 정확하고 다양한 노이즈를 제공하지 못하는 데 기인한다. 결과적으로 DDIM 반전 공간은 원래 노이즈보다 훨씬 덜 조작적이다. 기존의 반전 방법은 이 문제를 완전히 해결하지 못하지만, 첫 번째 DDIM 반전 단계를 순방향 확산 프로세스로 대체하는 간단한 해결책은 잠재 인코딩을 성공적으로 분리하고 더 높은 품질의 편집 및 보간을 가능하게 한다.
