无训练，皆可：论无监督引导扩散模型的再思考
机器学习
2025-06-04 v2 计算机视觉与模式识别
摘要
无监督引导(CFG)已成为增强条件扩散模型质量的标准方法。然而，采用CFG需要额外训练无条件模型或通过周期性插入空条件来修改训练程序，也尚无明确的无条件模型扩展。本文重新审视CFG的核心原则，提出新方法——独立条件引导(ICG)，在无需特殊训练程序的情况下提供CFG的优势。我们的做法简化了条件扩散模型的训练过程，可 également应用于任何预训练条件模型的推理阶段。此外，利用扩散网络中编码的时间步信息，我们提出了CFG的一种扩展——时间步引导(TSG)，可用于任何扩散模型，包括无条件模型。我们的引导技术易于实现，采样成本与CFG相同。通过大量实验，我们展示ICG在各种条件扩散模型上匹配标准CFG的性能。此外，我们表明TSG以类似CFG的方式改善生成质量，而无需依赖任何条件信息。
引用
@article{arxiv.2407.02687,
title = {No Training, No Problem: Rethinking Classifier-Free Guidance for Diffusion Models},
author = {Seyedmorteza Sadat and Manuel Kansy and Otmar Hilliges and Romann M. Weber},
journal= {arXiv preprint arXiv:2407.02687},
year = {2025}
}
备注
Published as a conference paper at ICLR 2025