TC-LoRA：用于自适应扩散控制的时域调制条件LoRA
计算机视觉与模式识别
2025-12-16 v2
摘要
当前可控扩散模型通常依赖固定架构，通过修改中间激活来注入基于新模态的引导。这种方法为动态的多阶段去噪过程使用静态条件化策略，限制了模型在生成从粗结构到细细节的演化过程中自适应响应的能力。我们引入了TC-LoRA（时域调制条件LoRA），一种通过直接条件化模型权重来实现动态、上下文感知控制的新范式。我们的框架利用超网络按需生成LoRA适配器，根据时间和用户条件为冻结的主干网络在每个扩散步骤量身定制权重修改。该机制使模型能够学习并执行一个明确的、自适应的策略，在整个生成过程中应用条件引导。通过在多种数据域上的实验，我们证明了这种动态的参数化控制相比静态的基于激活的方法，显著提升了生成保真度和空间条件的一致性。TC-LoRA建立了一种替代方法，即通过更深层的权重功能适应来修改模型的条件化策略，使控制与任务的动态需求和生成阶段保持一致。
引用
@article{arxiv.2510.09561,
title = {TC-LoRA: Temporally Modulated Conditional LoRA for Adaptive Diffusion Control},
author = {Minkyoung Cho and Ruben Ohana and Christian Jacobsen and Adityan Jothi and Min-Hung Chen and Z. Morley Mao and Ethem Can},
journal= {arXiv preprint arXiv:2510.09561},
year = {2025}
}
备注
Project Page: https://minkyoungcho.github.io/tc-lora/; NeurIPS 2025 Workshop on SPACE in Vision, Language, and Embodied AI (SpaVLE); 10 pages