DCR：面向罕见组合生成的反事实吸引子引导

扩散模型能生成逼真的视觉内容，但往往无法生成罕见但合理的组合。当提示词包含在训练数据中有效但代表性不足的组合（如雪景海滩或夜间彩虹）时，生成过程常常会坍缩为更常见的替代方案。我们将这种失败模式识别为默认补全偏置，即去噪轨迹被隐式地吸引向高频语义配置。现有的引导机制没有显式地建模这种竞争趋势，因此难以防止此类坍缩。我们引入了默认补全排斥（DCR），这是一个无需训练的框架，能够显式地建模并抑制默认补全行为。DCR 通过放宽罕见组合因子同时保留周围语义来构建反事实吸引子，从而诱导出反映模型偏好补全的替代去噪轨迹。我们将目标轨迹与吸引子轨迹之间的差异定义为反事实漂移，并提出一种基于投影的排斥机制，以移除与该漂移方向对齐的引导分量。这能在保留其他语义分量的同时抑制不期望的频繁补全。DCR 完全在标准扩散采样过程中运行，无需重新训练或修改架构。在罕见组合提示词上的实验表明，DCR 提高了组合保真度，同时保持了视觉质量。我们的分析进一步表明，该框架揭示并抵消了内在的模型偏置，为超越显式约束强制的可控生成提供了新视角。