基于评分差异分析的C$^2$FG：控制无分类器引导
机器学习
2026-05-21 v3
摘要
无分类器引导(CFG)是现代条件扩散模型的基石，但其依赖固定或启发式动态引导权重的做法主要是经验性的，忽略了扩散过程固有的动态特性。本文对无分类器引导进行严格的理论分析。具体我们在不同的时间步在条件分布与无条件分布之间建立了严格的上界，这一发现解释了固定权重策略的局限性，并为基于时间的引导提供了原则基础。鼓励这一洞见，我们引入了控制无分类器引导(CFG)，一种新颖的、无需训练的、可即插即用的方法，通过指数衰减控制函数将引导强度与扩散动态相匹配。广泛的实验表明，CFG在各种生成任务中都有效且具有广泛适用性，同时与现有策略保持正交性。
引用
@article{arxiv.2603.08155,
title = {C$^2$FG: Control Classifier-Free Guidance via Score Discrepancy Analysis},
author = {Jiayang Gao and Tianyi Zheng and Jiayang Zou and Fengxiang Yang and Shice Liu and Luyao Fan and Zheyu Zhang and Hao Zhang and Jinwei Chen and Peng-Tao Jiang and Bo Li and Jia Wang},
journal= {arXiv preprint arXiv:2603.08155},
year = {2026}
}
备注
Accepted to CVPR 2026 (Highlight)