通过预见固定点迭代构建黄金分类器-free 指导路径
计算机视觉与模式识别
2025-10-27 v1
摘要
分类器-free 指导（CFG）是文本到图像扩散模型的 essential 组成部分，理解和推进其运作机制仍是研究的核心焦点。现有方法源于不同的理论解释，限制了设计空间并掩盖了关键设计选择。为此，我们提出一种统一视角，将条件指导重新框定为固定点迭代，寻求在条件和无条件生成下，latent产生一致输出的黄金路径。我们展示，CFG及其变体构成单步短间隔迭代的特例，该方法在理论上被证明效率低下。为此，我们引入预见指导（FSG），优先在早期扩散阶段通过增加迭代来求解更长的间隔子问题。广泛的实验在不同数据集和模型架构上验证了FSG在图像质量和计算效率方面优于最先进的方法。我们的工作提供了条件指导的新视角，解锁了自适应设计的潜力。
关键词
引用
@article{arxiv.2510.21512,
title = {Towards a Golden Classifier-Free Guidance Path via Foresight Fixed Point Iterations},
author = {Kaibo Wang and Jianda Mao and Tong Wu and Yang Xiang},
journal= {arXiv preprint arXiv:2510.21512},
year = {2025}
}
备注
Accepted at NeurIPS 2025 (Spotlight)