RNE：扩散模型推断时控制与能量基训练的即插即用框架
机器学习
2026-05-11 v6 机器学习
摘要
扩散模型通过逐步去除噪声来生成数据，这对应于无噪声过程的时间反演。然而，仅获得去噪核往往不足以满足需求。在许多应用中，我们需要沿生成轨迹获取边际密度，这使得诸如推断时控制等任务成为可能。为此，本文引入Radon-Nikodym估计器(RNE)。基于路径分布之间的"密度比"概念，RNE揭示了边际密度与转移核之间的根本联系，提供了一个即插即用的框架，统一了(1)扩散密度估计、(2)推断时控制、(3)能量基扩散训练。实验表明，RNE在推断时控制任务中表现卓越，如退火和模型组合，具有有前景的推断时扩展性能，并为训练能量基扩散模型提供简单而高效的正则化。此外，我们提出的RNE具有模态无关性，不仅适用于连续扩散模型，也适用于其离散扩散对手。
引用
@article{arxiv.2506.05668,
title = {RNE: plug-and-play diffusion inference-time control and energy-based training},
author = {Jiajun He and José Miguel Hernández-Lobato and Yuanqi Du and Francisco Vargas},
journal= {arXiv preprint arXiv:2506.05668},
year = {2026}
}
备注
Accepted at ICLR 2026