Boost-and-Skip：一种无引导的少数类生成扩散模型方法

少数样本是位于数据流形低密度区域的欠 représentative 样本，在许多生成式AI应用中具有重要价值，如数据增强、创意内容生成等。不幸的是，现有的基于扩散的少数类生成器常常依赖于专为少数类生成而设计的计算昂贵引导机制。为此，本文提出一种简单且高效的无引导方法，称为Boost-and-Skip，用于生成少数样本。该框架的关键优势在于仅需对标准生成过程进行两个最小修改：(i)方差增强初始化，(ii)时间步长跳过。我们强调，这些看似平凡的修改得到了坚实的理论和实证依据，从而有效促进了少数类特征的涌现。我们的全面实验表明，Boost-and-Skip大幅提升了生成少数样本的能力，甚至能够与基于引导的SOTA方法相抗衡，而计算需求显著降低。代码已公开于https://github.com/soobin-um/BnS。