扩散模型条件生成新解法！插件式修正项让条件控制透明又高效，图像生成性能惊艳
A Plug-in Interpretation of Conditioning in Score-Based Diffusion Models
👨💼 主理人解读 · 为什么值得关注
提出基于多速联合扩散的即插即用条件机制，分离条件贡献于无条件动力学，提升扩散模型条件生成可控性。
📖 AI 总结
该论文提出了一种基于分数扩散模型的条件生成新机制，核心思路是对目标与条件进行多速度联合扩散，学习无条件联合分数网络，并在推理阶段通过插件式校正项施加条件约束。该插件项将条件贡献从无条件动力学中分离出来，清晰揭示了条件如何引导目标分布生成。作者据此推导了显式的条件反向随机微分方程和近似概率流常微分方程，构建了可比较的条件采样器。为减小ODE与SDE之间的采样差异，论文引入对数Fokker-Planck残差正则化，显著提升了确定性ODE采样的质量。在条件图像生成任务上的实验验证了该方法的竞争性能，并支持了插件式条件化视角的有效性。该工作为扩散模型的条件控制提供了更透明、可解释的理论框架。
🔑 关键词速览
| Score-Based Diffusion Models | 基于分数的扩散模型，通过估计数据分布的梯度（分数）来逐步生成样本的一类生成模型。 |
| Plug-in Correction Term | 插件式修正项，在推理时额外加入的项，用于将无条件模型转换为条件生成模型。 |
| Reverse-Time SDE | 反向时间随机微分方程，描述从噪声到数据的逆向随机过程，用于生成样本。 |
| Probability-Flow ODE | 概率流常微分方程，与SDE对应的确定性过程，用于近似采样，通常更快。 |
| Log-Fokker-Planck Residual Regularization | 对数Fokker-Planck残差正则化，一种损失项，用于减少ODE与SDE之间的差异，提升确定性采样质量。 |
📱 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