EP-CFG：能量保持的无分类器引导
计算机视觉与模式识别
2024-12-16 v1 人工智能
机器学习
摘要
无分类器引导（CFG）在扩散模型中广泛应用，但在更高的引导强度下常会引入过强对比和过饱和 artifacts。我们提出了 EP-CFG（能量保持的无分类器引导），通过在引导过程中保持条件预测的能量分布来解决此问题。该方法仅需在每个去噪步骤对引导输出的能量进行重新缩放，以匹配条件预测的能量，并提供一种可选的鲁棒变体以提高 artifact 抑制效果。通过实验，我们展示 EP-CFG 在各引导强度下均能保持自然图像质量，同时保留 CFG 的语义对齐优势，计算开销极低。
引用
@article{arxiv.2412.09966,
title = {EP-CFG: Energy-Preserving Classifier-Free Guidance},
author = {Kai Zhang and Fujun Luan and Sai Bi and Jianming Zhang},
journal= {arXiv preprint arXiv:2412.09966},
year = {2024}
}