面向非鲁棒分类器的扩散分类器指导

分类器指导旨在引导扩散过程，以确保给定分类器可靠地将生成的数据点识别为某一类别。然而，大多数分类器指导方法局限于鲁棒分类器，这些分类器是针对扩散前向过程中的噪声专门训练的。我们将分类器指导扩展到适用于一般非鲁棒分类器，这些分类器是无噪声训练的。我们分析了在标准 CelebA 数据集、专用 SportBalls 数据集和高维真实世界 CelebA-HQ 数据集上，对非鲁棒和鲁棒分类器对扩散过程噪声的敏感性。我们的发现表明，非鲁棒分类器在噪声条件下表现显著下降，导致指导梯度不稳定。为缓解此问题，我们提出一种方法，利用一步去噪图像预测，并实施受随机优化方法启发的稳定技术，如指数移动平均。实验结果表明，我们的方法在保持样本多样性和视觉质量的同时，提高了分类器指导的稳定性。本工作推动了生成模型中条件采样技术的发展，使更广泛的分类器可作为指导分类器使用。