拉普拉斯得分锐化：用于缓解扩散模型中的幻觉现象
计算机视觉与模式识别
2025-11-13 v1 人工智能
机器学习
机器学习
摘要
尽管扩散模型在各方面取得了成功，但已知其会产生幻觉现象，导致生成样本不连贯或不真实。最近的研究将这一现象归因于模式插值和得分平滑化，但缺乏方法能够在采样期间防止这些现象的发生。本文提出了一种在推断期间对得分函数进行后处理调整的方法，利用得分的拉普拉斯(或锐度)来减少无条件扩散模型在1D、2D和高维图像数据上的模式插值幻觉。我们推导了使用有限差分变体的Hutchinson迹估计器对高维情况的有效拉普拉斯近似。我们表明，这一纠正显著降低了在toy 1D/2D分布和高维图像数据集上的幻觉样本率。此外，我们的分析探讨了拉普拉斯与得分不确定性之间的关系。
引用
@article{arxiv.2511.07496,
title = {Laplacian Score Sharpening for Mitigating Hallucination in Diffusion Models},
author = {Barath Chandran. C and Srinivas Anumasa and Dianbo Liu},
journal= {arXiv preprint arXiv:2511.07496},
year = {2025}
}