TFG：扩散模型的统一训练-free Guidance
机器学习
2024-11-20 v2 人工智能
摘要
给定无条件扩散模型和针对特定目标属性(如分类器)的预测器，训练-free Guidance的目标是生成具有理想目标属性的样本，而无需额外训练。现有方法虽在各种具体应用中有效，却缺乏理论依据和广泛基准的严格测试。结果它们甚至可能在简单任务中失败，将新问题的应用不可避免地置于困境。本文引入一种新型算法框架，将现有方法作为特例纳入其中，将训练-free Guidance统一纳入算法无关性设计空间的分析之中。通过理论与实证研究，我们提出一种高效且有效的超参数搜索策略，可 readily 应用于任何下游任务。我们在7个扩散模型上进行系统性基准测试，覆盖16个任务40个目标，平均性能提升8.5%。我们的框架和基准为以训练-free方式进行条件生成提供了坚实基础。
引用
@article{arxiv.2409.15761,
title = {TFG: Unified Training-Free Guidance for Diffusion Models},
author = {Haotian Ye and Haowei Lin and Jiaqi Han and Minkai Xu and Sheng Liu and Yitao Liang and Jianzhu Ma and James Zou and Stefano Ermon},
journal= {arXiv preprint arXiv:2409.15761},
year = {2024}
}