因子化无分类器引导
计算机视觉与模式识别
2026-05-11 v5 人工智能
摘要
反事实生成旨在在因果干预下模拟逼真的假设性结果。扩散模型已成为该任务的强大工具，结合了DDIM反向变换、条件生成和无分类器引导(CFG)。在本工作中，我们识别了CFG用于反事实生成的关键局限性：它为所有属性都规定了全局引导比例，导致推断反事实结果中出现显著的伪相关变化。为缓解这一问题，我们提出了因子化无分类器引导(FCFG)，这是一种灵活且与模型无关的引导技术，能够遵循因果图实现属性级控制。FCFG补充了近期在无分类器引导方面的最新进展，可无缝扩展到诸如CFG++和APG等高级引导方案。我们的实验表明，FCFG在自然图像和医学图像数据集上显著提高了推断反事实结果的公理学严谨性，减轻了伪放大效应，并增强了反事实结果的可逆性。
引用
@article{arxiv.2506.14399,
title = {Factored Classifier-Free Guidance},
author = {Tian Xia and Fabio De Sousa Ribeiro and Rajat R Rasal and Avinash Kori and Raghav Mehta and Ben Glocker},
journal= {arXiv preprint arXiv:2506.14399},
year = {2026}
}
备注
Accepted at ICML 2026