非分类器扩散引导
Dreamguider 是一个无需通过扩散网络进行计算密集型反向传播的推理时引导方法，通过调节渐变流量和引入经验引导尺度来解决了线性和非线性引导问题，并提出了有效的轻量级增强策略。
Jun, 2024
在本文中，我们提出了独立条件引导（ICG）和时间步引导（TSG）这两种新的引导方法来简化条件扩散模型的训练过程，并且在任何已训练的条件模型上进行推理以提供与标准分类器无关的指导方法。通过大量实验证明，ICG 与标准分类器在不同条件扩散模型上的性能相匹配，并且 TSG 可以在不依赖任何条件信息的情况下改善生成的质量。
Jul, 2024
本文通过提出一种锐利的统计理论，通过采用条件扩散模型进行分布估计，以实现对数据分布平滑性的自适应样本复杂度界限，并与极小 max 求解下界相匹配。通过对条件分数函数的近似结果揭示了理论的关键发展，该结果依赖于一种新型扩散泰勒逼近技术。此外，在求解逆问题和奖励条件样本生成等多种应用中，我们还展示了统计理论的实用性。
Mar, 2024
为了解决传统训练方法与生成模型的条件抽样行为之间的差异，本文介绍了一种更新的损失函数，通过改进训练目标与抽样行为的一致性来提高样本质量，并对不同的引导比例进行了实验验证。
Nov, 2023
该研究综合考察了无分类器引导在文本条件扩散模型中的作用，从推理效率的角度进行了详细研究，并提出了自适应引导（AG）的有效变体，以在保持图像质量的同时减少计算量。研究发现，通过简单的仿射变换可以替代整个神经函数评估，以实现更廉价的推理，从而为文本条件扩散模型的实际应用和快速部署提供了宝贵的洞见。
Dec, 2023
使用自身较小、较少训练的模型而不是无条件模型，引导生成图像，可以获得图像质量分离的控制，同时不减少变化量。这在 ImageNet 生成方面有显著的改进，64x64 像素的 FID 为 1.01，512x512 像素的 FID 为 1.25，使用公开可用的网络。此方法还适用于无条件扩散模型，大幅提高它们的质量。
Jun, 2024
在这篇文章中，我们旨在对免训练引导的操作机制和基本限制进行深入理解。我们从优化的角度提供了支持免训练引导的理论分析，并将其与基于分类器的引导进行区分。为了阐明其缺点，我们理论上证明了免训练方法更容易受到对抗梯度的影响，并且收敛速度较慢。然后，我们介绍了一系列旨在克服这些限制的技术，并提供了理论依据和实证证据。我们在图像和运动生成方面的实验确认了这些技术的有效性。
Mar, 2024
本文提出利用去噪技术提升分类器性能的方法，通过在正向扩散过程中（从数据到噪音）训练分类器并引入去噪样本，与传统单纯训练噪声样本的扩散分类器相比，达到了更好的泛化性能和视觉效果，并描述了一种半监督框架的基于扩散模型的训练方法及实验结果。
Jun, 2023