HiGS: 历史引导采样用于扩散模型的即插即用增强
计算机视觉与模式识别
2025-09-29 v1 人工智能
机器学习
摘要
虽然扩散模型在图像生成方面取得了显著进展，但其输出仍然可能显得不真实且缺乏细节，尤其是在使用较少的神经函数评估次数（NFEs）或较低的引导尺度时。为了解决这个问题，我们提出了一种新颖的基于动量的采样技术，称为历史引导采样（HiGS），通过将最近的模型预测整合到每个推理步骤中来增强扩散采样的质量和效率。具体而言，HiGS利用当前预测与过去预测的加权平均之间的差异来引导采样过程，使其朝向更真实的输出迈进，并具有更好的细节和结构。我们的方法引入了几乎额外的计算，并且可以无缝集成到现有的扩散框架中，无需额外的训练或微调。广泛的实验表明，HiGS在不同的模型和架构以及不同的采样预算和引导尺度下始终提高图像质量。此外，使用预训练的SiT模型，HiGS在256×256的无引导ImageNet生成中，仅需30个采样步骤（而非标准的250步），实现了新的最先进FID值1.61。因此，我们将HiGS呈现为标准扩散采样的即插即用增强方案，可实现更高保真度的更快生成。
引用
@article{arxiv.2509.22300,
title = {HiGS: History-Guided Sampling for Plug-and-Play Enhancement of Diffusion Models},
author = {Seyedmorteza Sadat and Farnood Salehi and Romann M. Weber},
journal= {arXiv preprint arXiv:2509.22300},
year = {2025}
}