随机性的决定论：基于提示-残差种子 shaping 的扩散生成
计算机视觉与模式识别
2026-05-12 v6
摘要
扩散模型以各向同性高斯潜空间为生成起点，但仅改变随机种子就会导致提示忠诚度、构图和视觉质量出现大幅差异。我们通过从初始噪声到生成意义的语义映射，研究了这种种子灵敏性。虽然采样流程在局部上可逆，但随后的语义投影是许对一的，这会在潜空间上引起退化的倒拉半度量：大多数局部方向几乎在语义上保持不变，而语义敏感的变异集中在一个更小的水平子空间中。这提供了对种子抽奖现象的几何解释性视角。基于此视角，我们引入一种无训练的提示-残差种子-shaping程序。该方法不声称能恢复确切的水平空间，而是使用单个高噪声冷启动提示残差作为模型耦合的代理，仅注入其切向分量，并将种子收回到原始高斯半径壳。这样既保持了初始化的先验兼容性，又仅在标准采样前添加一个条件/无条件探针。我们在多个生成基准测试中使用该方法，可在标准采样的基础上提高对齐度和质量指标，既支持该代理的实际价值，也证明了语义各向异性的解释相关性。
引用
@article{arxiv.2511.07756,
title = {Determinism of Randomness: Prompt-Residual Seed Shaping for Diffusion Generation},
author = {Song Yan and Wei Zhai and Chenfeng Wang and Xinliang Bi and Jian Yang and Yancheng Cai and Yusen Zhang and Yunwei Lan and Tao Zhang and GuanYe Xiong and Min Li and Zheng-Jun Zha},
journal= {arXiv preprint arXiv:2511.07756},
year = {2026}
}