面向去噪扩散模型推理时期指导的统一控制框架
计算机视觉与模式识别
2025-12-16 v1 机器学习
摘要
将扩散模型的输出与下游目标对齐对于提高任务特定性能至关重要。广义地，针对扩散模型的推理时无训练对齐方法可分为两大类：采样方法通过探索多个候选输出并挑选获得更高奖励信号的输出；梯度引导方法则使用可微分的奖励近似值直接引导生成过程。本文提出了一种通用算法 UniCoDe，将采样和梯度引导方法的优势统一于一个框架中。UniCoDe 在采样过程中集成局部梯度信号，从而解决了基于复杂奖励的采样方法所固有的采样效率问题。通过紧密结合这两种范式，UniCoDe 实现了更高效的采样，同时在奖励对齐与与扩散无条件先验的偏离之间提供了更好的权衡。实验结果表明，UniCoDe 在广泛的任务范围内保持与当前最先进方法的竞争力。代码已公开于 https://github.com/maurya-goyal10/UniCoDe。
引用
@article{arxiv.2512.12339,
title = {Unified Control for Inference-Time Guidance of Denoising Diffusion Models},
author = {Maurya Goyal and Anuj Singh and Hadi Jamali-Rad},
journal= {arXiv preprint arXiv:2512.12339},
year = {2025}
}