CoDe：面向去噪扩散模型的分块控制
计算机视觉与模式识别
2025-05-06 v2 机器学习
摘要
将扩散模型与下游任务对齐通常需要微调新模型或在推理时进行基于梯度的引导，以便从奖励倾斜的后验分布中进行采样。在这项工作中，我们探索了一种简单的推理时无梯度引导方法，称为受控去噪（Controlled Denoising, CoDe），该方法规避了对可微引导函数和模型微调的需求。CoDe 是一种在中间去噪步骤中应用的分块采样方法，允许与下游奖励对齐。我们的实验表明，尽管 CoDe 方法简单，但它在奖励对齐、提示指令遵循和推理成本之间提供了有利的权衡，取得了与最先进基线相比具有竞争力的性能。我们的代码可在以下地址获取：https://github.com/anujinho/code。
引用
@article{arxiv.2502.00968,
title = {CoDe: Blockwise Control for Denoising Diffusion Models},
author = {Anuj Singh and Sayak Mukherjee and Ahmad Beirami and Hadi Jamali-Rad},
journal= {arXiv preprint arXiv:2502.00968},
year = {2025}
}