使用提升分数改进扩散模型的组合生成
机器学习
2025-05-27 v2 人工智能
计算机视觉与模式识别
摘要
我们提出了一种新型重采样准则，利用提升分数来提高扩散模型中的组合生成。通过利用提升分数，我们评估生成的样本是否与每个单一条件对齐，然后将结果组合以确定是否满足组合提示。我们的关键洞察是，提升分数仅使用原始扩散模型即可有效近似，无需额外训练或外部模块。我们开发了一种优化变体，在推理期间实现相对较低的计算开销，同时保持有效性。通过广泛的实验，我们证明提升分数在2D合成数据、CLEVR位置任务和文本到图像合成中显著提高了条件对齐。我们的代码可在http://rainorangelemon.github.io/complift上获取。
引用
@article{arxiv.2505.13740,
title = {Improving Compositional Generation with Diffusion Models Using Lift Scores},
author = {Chenning Yu and Sicun Gao},
journal= {arXiv preprint arXiv:2505.13740},
year = {2025}
}