用于理解与纠正扩散伪影的时间分数分析
计算机视觉与模式识别
2025-03-21 v1
摘要
视觉伪影在扩散模型中仍是一个持续的挑战，即使在海量数据集上训练亦然。当前的解决方案主要依赖监督检测器，却缺乏对伪影为何首先产生的理解。在我们的分析中，我们识别出扩散生成过程中的三个不同阶段：Profiling、Mutation 和 Refinement。伪影通常在 Mutation 阶段出现，其中某些区域随时间表现出异常的分数动态，导致正常演化模式的突然中断。这种时间特性解释了为何现有仅关注最终输出空间不确定性的方法无法有效定位伪影。基于这些见解，我们提出了 ASCED（Abnormal Score Correction for Enhancing Diffusion），它通过在扩散过程中监测异常分数动态来检测伪影，并采用一种轨迹感知的即时缓解策略，在检测区域生成适当的噪声。与大多数在生成后应用事后纠正的现有方法（例如，在生成后应用加噪-去噪方案）不同，我们的缓解策略在现有扩散过程中无缝运行。大量实验表明，我们提出的方法有效减少了跨领域的伪影，在无需额外训练的情况下匹配或超越了现有的监督方法。
引用
@article{arxiv.2503.16218,
title = {Temporal Score Analysis for Understanding and Correcting Diffusion Artifacts},
author = {Yu Cao and Zengqun Zhao and Ioannis Patras and Shaogang Gong},
journal= {arXiv preprint arXiv:2503.16218},
year = {2025}
}