DiffIER：基于迭代误差缩减优化扩散模型
计算机视觉与模式识别
2025-08-21 v2
摘要
扩散模型通过无分类器引导 (CFG) 在生成高质量样本方面展现了卓越的能力，并在 diverse 领域中提升性能。然而，生成样本的质量对引导权重的选择高度敏感。本文我们识别出一个关键的“训练-推理鸿沟”，并认为正是该鸿沟导致条件生成性能受损，使得输出对引导权重极其敏感。我们通过衡量推理阶段的累积误差来量化该鸿沟，并建立了引导权重选择与最小化该鸿沟之间的相关性。为缓解该鸿沟，我们提出了 DiffIER，一种用于高质量生成的优化方法。我们证明，通过在推理每个步骤的迭代误差最小化，能够有效减少累积误差。通过引入这一 novel 插件式优化框架，我们使每一步推理步骤都能优化误差，从而提升生成质量。实证结果表明，我们的方法在条件生成任务中优于基线方法。此外，该方法在文本到图像生成、图像超分辨率和文本到语音生成中均取得一致成功，彰显了其灵活性及其在未来研究中广泛应用的潜力。
引用
@article{arxiv.2508.13628,
title = {DiffIER: Optimizing Diffusion Models with Iterative Error Reduction},
author = {Ao Chen and Lihe Ding and Tianfan Xue},
journal= {arXiv preprint arXiv:2508.13628},
year = {2025}
}