TCFG：切向阻尼无分类引导

扩散模型在文本到图像合成中取得了显著的成功，主要归功于无分类引导（CFG）技术，使其能够生成高质量且符合条件的图像。CFG 将条件得分（如文本条件）与无条件得分相结合，以控制输出。然而，无条件得分负责估计相邻时间步从 $x_t$ 到 $x_{t-1}$ 之间的转换，这可能会无意中干扰通往特定条件的轨迹。本文提出了一种新方法，利用对无条件得分的几何视角来提高 CFG 在条件得分可用时的性能。具体而言，我们提出了一种方法，通过奇异值分解过滤条件得分和无条件得分的奇异向量。这种过滤过程将无条件得分与条件得分对齐，从而细化采样轨迹，使其更接近流形。我们的做法在几乎没有额外计算开销的情况下提高了图像质量。我们对扩散模型中的得分函数行为提供了更深入的见解，并提出了一种实用技术，以实现更准确且上下文连贯的图像合成。