学习引导您的扩散模型
机器学习
2025-10-02 v1 机器学习
摘要
无条件扩散模型的感知质量是通过分类器无指导(CFG)技术进行提升的常用方法。该技术通过使用指导权重 对条件和无条件得分估计进行线性组合来实现。虽然大型静态权重可显著提升视觉效果，但往往以较差的分布对齐为代价。为更准确地逼近目标条件分布，我们采用学习指导权重 的方法，这些权重是条件 、去噪起始时间 以及去噪目标时间 的连续函数。通过最小化真实条件分布中无噪声样本与引导扩散过程生成的样本之间的分布性差异来实现。我们将框架扩展到奖励引导采样，使模型能够针对定义在干净数据和条件 上的奖励函数 所倾斜的分布进行建模。在低维玩具示例和高维图像设置中，我们观察到该方法在FID指标上实现了改进。对于文本到图像应用，我们发现使用由CLIP得分给出的奖励函数可产生改进的图像-文本对齐权重。
引用
@article{arxiv.2510.00815,
title = {Learn to Guide Your Diffusion Model},
author = {Alexandre Galashov and Ashwini Pokle and Arnaud Doucet and Arthur Gretton and Mauricio Delbracio and Valentin De Bortoli},
journal= {arXiv preprint arXiv:2510.00815},
year = {2025}
}