본 논문은 긴 일관성 있는 문맥적으로 정확한 텍스트 생성에 어려움을 겪는 기존 확산 모델의 한계를 해결하기 위해 세그먼트 수준 확산(SLD) 프레임워크를 제안합니다. SLD는 긴 형식의 출력을 여러 개의 잠재 표현으로 분할하고, 적대적 및 대조적 학습을 통한 강력한 표현 학습과 향상된 잠재 공간 안내를 통해 확산 기반 텍스트 생성을 향상시킵니다. 자동 회귀 디코더를 사용하여 이러한 잠재 표현을 디코딩함으로써, SLD는 확산 예측을 단순화하고 확장성을 향상시킵니다. 실험 결과, SLD는 다른 확산 및 자동 회귀 기준 모델과 비교하여 자동 및 사람 평가에서 경쟁력 있는 또는 우수한 유창성, 일관성 및 문맥적 호환성을 달성함을 보여줍니다.
