CADS：通过条件退火采样释放扩散模型的多样性

尽管条件扩散模型已知对数据分布具有良好的覆盖能力，但它们在输出多样性方面仍存在局限，尤其是在以高分类器无关引导尺度采样以获得最佳图像质量时，或在小规模数据集上训练时。我们将此问题归因于推理过程中条件信号的作用，并提出了一种改进的扩散模型采样策略，能够在高引导尺度下以极小的样本质量损失提升生成多样性。我们的采样策略通过对条件向量在推理过程中加入有调度的、单调递减的高斯噪声来退火条件信号，以平衡多样性与条件对齐。我们的条件退火扩散采样器（Condition-Annealed Diffusion Sampler, CADS）可用于任何预训练模型和采样算法，并且我们展示了它在多种条件生成任务中提升了扩散模型的多样性。此外，使用现有的预训练扩散模型，CADS 在 256$\times$256 和 512$\times$512 的类条件 ImageNet 生成上分别取得了 1.70 和 2.31 的新的 SOTA FID。