Score Destillation Sampling (SDS) ist eine neue, aber bereits weit verbreitete Methode, die auf Bilddiffusionsmodellen basiert, um optimierungsprobleme mit Textprompts zu steuern. Die Arbeit analysiert die SDS-Verlustfunktion eingehend, identifiziert inhärente Probleme in ihrer Formulierung und schlägt eine unerwartete, aber effektive Lösung vor. Konkret zerlegen wir die Verlustfunktion in verschiedene Faktoren und isolieren die Komponente, die verrauschte Gradienten erzeugt. In der ursprünglichen Formulierung wird eine hohe Textführung zur Berücksichtigung des Rauschens verwendet, was zu unerwünschten Nebeneffekten führt. Stattdessen trainieren wir ein flaches Netzwerk, das die zeitabhängige unzureichende Rauschentfernung des Bilddiffusionsmodells simuliert, um diese effektiv zu separieren. Wir zeigen die Vielseitigkeit und Effektivität unserer neuartigen Verlustformulierung anhand mehrerer qualitativer und quantitativer Experimente (einschließlich optimierungsbasierter Bildsynthese und -bearbeitung, Zero-Shot-Training von Bildübersetzungsnetzwerken und Text-zu-3D-Synthese).