细节决定成败：基于密度引导的流模型细节感知生成

扩散模型已成为一类强大的生成模型，能够通过将噪声映射到数据分布来生成高质量图像。然而，最近的研究发现图像似然度与感知质量并不一致：高似然度的样本往往更平滑，而低似然度的样本则包含更多细节。因此，控制样本密度对于平衡真实感和细节至关重要。本文分析了一种现有的技术——缩放潜变量以影响图像细节的引导方法。我们引入了分数对齐（score alignment）这一条件，用以解释该方法为何有效，并证明该条件对于任何连续归一化流模型都是可检验的。随后，我们提出了密度引导（Density Guidance），这是对生成式常微分方程的一种原则性修改，使得在采样过程中能够精确控制对数密度。最后，我们将密度引导扩展到随机采样，在允许受控的细节变化的同时，确保精确的对数密度控制。我们的实验表明，这些方法能够在不影响样本质量的前提下，实现对图像细节的细粒度控制。代码可在 https://github.com/Aalto-QuML/density-guidance 获取。