내가 가져갈 핵심 한 줄

Flow Matching의 exposure bias(학습은 이상적 경로, 추론은 자기 예측 경로)를 억누르기만 할 게 아니라, 그 오차의 방향과 주파수 구성을 학습 신호로 되먹이면 모델이 스스로 궤적을 되돌리는 법을 배운다.

종류: 학회 포스터 · 수준: 고급 · 분야: generative-models, computer-vision · 학회: ECCV 2026 (Poster, 2026-09-12, ExHall #124)

논문 미수록

이 포스터의 논문은 위키에 아직 없다. 정식으로 정리하려면 Zotero에 논문을 추가한 뒤 ingest하는 것을 권장한다. 논문 PDF: https://media.eventhosts.cc/Conferences/ECCV2026/pdfs/10588.pdf (ECCV Paper ID 10588)

한 줄 소개

ECCV 2026 포스터 페이지(초록·저자·세션 정보·논문 PDF·코드 링크)를 정리한 자료. Flow Matching 학습 중에 추론 1-step을 시뮬레이션해 exposure bias를 측정하고, 그것을 방향 보정(ADR)과 주파수 보상(FC) 두 신호로 쓰는 방법 DEFAR를 소개한다.

내용 요약

  • 문제: FM은 학습과 추론의 불일치 때문에 exposure bias가 생긴다. 기존 완화책은 정적인 제약이나 외부 휴리스틱에 의존한다 (Abstract).
  • 아이디어: exposure bias 자체가 자신을 교정할 동적 신호를 담고 있다. 학습 중 single-step inference를 시뮬레이션해 bias를 식별한다 (Abstract).
  • ADR (Anti-Drift Rectification): 추론 시 생기는 drift를 신호로 삼아, 벗어난 상태를 target 쪽으로 되돌리는 방향을 학습한다. 모델에 내재적 자기 교정 능력을 준다 (Abstract).
  • FC (Frequency Compensation): 누적 bias는 고노이즈 단계에서 저주파 성분이 부족한 데서 오는 경우가 많고, exposure bias가 바로 그 빠진 주파수 정보를 갖고 있다는 관찰에서 출발한다. bias를 self-feedback 가중치로 써서 부족한 주파수 성분을 강화한다 (Abstract).
  • 실험: CIFAR-10, CelebA-64, ImageNet-256/512에서 기존 baseline보다 좋고, 확장성·호환성·추론 강건성을 보인다 (Abstract).
  • 세부 수치 (논문 PDF에서 확인):
    • 무조건 생성 CelebA-64, SiT-B/4, 50 NFE: FID 7.04(SiT 원본, 250k iter, 36h) → 4.53(DEFAR, 250k iter, 80h) (DEFAR 논문 Table 2). 같은 36h 기준으로는 DEFAR(120k iter)가 5.91이다 (Table 2).
    • 조건부 ImageNet-256 (w/o / w/ CFG): SiT 61.64/31.64 → DEFAR 60.40/29.81(250k iter, 144h vs 166h) (Table 1).
  • 코드: https://github.com/wuliwuliy/DEFAR — 페이지 표기상 “공개 예정” (포스터 페이지).

논문과 비교한 이 자료의 가치

  • 포스터 페이지 자체는 초록 수준의 정보만 담고 있어, 방법의 수식이나 그림은 없다. 빠르게 “무엇을 하는 논문인가”를 파악하는 용도다 (해석).
  • 위키와의 연결: DEFAR는 2023-flow-matching의 표준 FM 정식화를 그대로 채택한다 (DEFAR 논문 §3.1, ref. [33]). 그 위에서 학습–추론 불일치를 다루는 후속 연구다. FM 논문은 조건부 경로 회귀(CFM)로 simulation-free 학습을 제안했다 (2023-flow-matching §3.2). DEFAR는 그 학습에 1-step 시뮬레이션을 다시 넣어 추론 경로를 일부 보여준다는 점에서 흥미로운 대비다 (해석).
  • 헤드라인 수치 주의: CelebA-64의 35.65% FID 감소(7.04 → 4.53)는 baseline(36h)보다 학습 시간이 약 2.2배(80h)일 때의 값이다. 같은 시간에서의 개선폭은 7.04 → 5.91이다 (DEFAR 논문 Table 2) (해석).

관련 논문·개념

  • explains: 2026-defar (미수록) — 이 포스터의 논문 (ECCV 2026, Paper ID 10588)
  • extends: 2023-flow-matching — 표준 FM 정식화를 채택하고 exposure bias 보정을 추가한 후속 논의 (DEFAR 논문 §3.1)
  • 개념: flow-matching