拡散モデルは、写実的で創造的な画像の生成に優れた能力を示しています。生成プロセスの制御可能性を向上させるために、既存の研究では本稿で「早期制約法」と呼ぶ方法が採用されており、追加条件を取り入れて事前学習済みの拡散モデルに組み込むことで対応しています。特に、これらの手法の中には条件ごとに専用モジュールを使用して個別に対処するものがありますが、他の条件への汎化性能が低くなるという課題があります。その後の研究では、この汎化問題を解決する統一的なアプローチが提案されていますが、追加入力やパラメータ最適化などの余分なリソースが必要となるため、より柔軟かつ効率的な解法が求められています。本稿では、事前学習済みの拡散モデルに複数の条件を同時に統合する新たなパラダイム、「後期制約拡散（LaCon）」を提案します。具体的には、LaConは外部条件と拡散モデルの内部特徴との間でアライメントを確立し、そのアライメントを利用して目標条件を取り込みます。これによりサンプリング過程がガイドされ、カスタマイズされた結果を生成します。COCOデータセットでの実験結果は、様々な条件と設定下でのLaConの有効性と優れた汎化能力を示しています。また、アブレーションスタディではLaCon内の異なるコンポーネントの機能性を探り、その柔軟な制御可能性を提供する効率的な解法としての大きな潜在力を明らかにしています。