🔥 今日值得一读
扩散引导新突破：CAT让采样轨迹稳定提升FID，无需训练即插即用！
Geometry-Aware Diffusion Guidance via Curvature-Adaptive Tubular Correction
👨💼 主理人解读 · 为什么值得关注
用扩散模型解逆问题或条件生成时，可插入该免训练插件，防止强引导把采样带离score支撑区。
📖 AI 总结
该研究针对梯度引导扩散采样中强引导易使采样轨迹偏离学习得分支撑区域的问题，提出曲率自适应管状校正（CAT）方法。现有切线投影策略仅限制一阶偏离，忽略法向运动及曲面切向运动引发的二阶偏离。CAT将引导梯度分解为法向与切向分量，在噪声相关的统一几何预算内，分别按一阶法向位移和方向曲率对切向位移计费，并通过一维对偶方程求解二者联合最优幅度，配合Armijo回溯校准步长、无矩阵方向导数避免构建完整得分雅可比。研究给出了管状近似的局部保证、校正唯一性及目标充分下降条件。在FFHQ和ImageNet的七项逆问题中，CAT提升了像素与潜空间采样器性能，感知指标增益尤为稳定；在InverseBench黑洞重建及所有测试的无分类器引导尺度下均取得最低FID，同时保持稳定的饱和度与对比度，表明曲率感知管状控制可作为稳定扩散引导的可复用机制。
🔑 关键词速览
| 曲率自适应管状校正 (CAT) | 一种无需训练的插件，通过分解引导梯度并利用曲率信息来调节扩散采样中的法向和切向运动，以稳定引导过程。 |
| 扩散采样器 | 基于扩散模型的生成方法，通过逐步去噪从噪声中采样生成数据，常用于逆问题和条件生成。 |
| 得分函数 | 扩散模型中学习到的数据分布对数密度的梯度，用于指导采样过程。 |
| 等密度曲面 | 在概率密度函数中，密度值相同的点构成的曲面，引导梯度通常试图将采样点投影到该曲面上。 |
| 无分类器引导 (CFG) | 一种条件生成技术，通过结合条件和非条件得分来增强生成样本与条件的对齐，但可能导致采样不稳定。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅