无分类器扩散引导

分类器引导是最近引入的一种在条件扩散模型训练后权衡模式覆盖与样本保真度的方法，其精神与其他类型生成模型中的低温采样或截断相同。分类器引导将扩散模型的分数估计与图像分类器的梯度相结合，因此需要训练一个独立于扩散模型的图像分类器。它也引出了能否在无分类器情况下进行引导的问题。我们表明引导确实可以由一个纯生成模型在无此类分类器的情况下执行：在我们称之为无分类器引导的方法中，我们联合训练一个条件和一个无条件扩散模型，并组合所得的条件与无条件分数估计，以获得与使用分类器引导相似的样本质量与多样性之间的权衡。