通过蒙特卡洛抽样进一步一步优化扩散引导
机器学习
2026-03-10 v1
摘要
基于随机微分方程（SDE）的生成模型通过训练自由的可微损失导数引导方法在条件生成方面取得了显著进展。然而，现有方法使用的后验抽样通常面临 substantial 估计误差，导致引导梯度不准，进而产生不一致的生成结果。为缓解此问题，我们提出进行额外的反向去噪步骤和蒙特卡洛抽样（ABMS）可实现更好的扩散引导，这是一种即插即用的调整策略。为验证我们方法的有效性，我们提供了理论分析，提出采用双焦点评估框架，进一步凸显了现有方法中普遍存在的跨条件干扰问题。我们在各种任务设置和数据类型下进行实验，主要包括条件在线手写轨迹生成、图像逆问题（填充、超分辨率和高斯去模糊）、分子逆设计等。实验结果表明，我们的方法可与更高阶的抽样器一起有效使用，在所有不同情景下均能持续提高生成样本的质量。
引用
@article{arxiv.2603.06685,
title = {One step further with Monte-Carlo sampler to guide diffusion better},
author = {Minsi Ren and Wenhao Deng and Ruiqi Feng and Tailin Wu},
journal= {arXiv preprint arXiv:2603.06685},
year = {2026}
}
备注
16 pages, 7 figures, accepted at ICLR2026