在高斯混合模型的背景下，我们的研究首次对扩散模型中引导信息对其性能的影响进行了理论研究，证明了引入扩散引导不仅提高了分类的置信度，还减少了分布的多样性，导致输出分布的微分熵的降低。我们的分析涵盖了广泛采用的采样方案，包括 DDPM 和 DDIM，利用了微分方程的比较不等式以及描述概率密度函数演化的 Fokker-Planck 方程，这也可能具有独立的理论兴趣。

Mar, 2024

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

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

本研究提出了一种不需要分类器的纯生成模型的分类器自由引导方法，该方法可以在条件扩散模型的训练过程中平衡模式覆盖率和样本保真度。

Jul, 2022

通过梯度引导实现扩散模型的细调，以用户定义的优化目标适应特定任务需求，包括理论研究、梯度引导的采样过程和梯度引导的迭代扩散，以及潜在结构的保留和全局最优解的收敛速率。

Apr, 2024

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

通过提出一种名为 “粒子引导” 的扩展扩散式生成抽样方法，我们在研究中探索了如何提高生成模型的多样性和采样效率，并通过在条件图像生成和分子构象生成中的实证测试，展示了这一方法的价值。

Oct, 2023

本篇研究介绍了 self-guidance 这一新方法，通过指导扩散模型的内部表示，提供了对生成图像更强的控制力，可以从这些表示中提取对象的形状、位置和外观等属性，并使用它们来控制生成的采样，这种方法类似于分类器引导，但是不需要额外的模型或训练，作者演示了如何使用这种方法进行复杂的图像操作，如修改对象的位置或大小，合并图像中对象的外观和布局等，并证明了 self-guidance 还可以用于编辑真实图像。

Jun, 2023

该研究提出了一个在不使用训练或调整技术的情况下，控制扩散模型生成图像中全局颜色方面的挑战。通过修改指导方程，确保输出更接近已知的颜色映射，同时不影响生成图像的质量。该方法得到了新的指导方程。研究表明，在颜色指导上，指导的缩放不应该随着扩散过程的进行而减少，而应始终保持较高的缩放比例。作为第二项贡献，我们将指导方法应用于压缩框架，将图像的语义信息和一般颜色信息结合起来，以实现低成本的图像解码。与其他经典或更语义导向的方法相比，研究表明我们的方法在极低比特率下改善了压缩图像的保真度和逼真度。

Apr, 2024

本文提出了一种通过使用流形引导来减轻扩散模型中数据偏置的方法，该方法可以在不改变模型架构或需要标签或重新训练的情况下，改善生成图像的品质和无偏性。

Jul, 2023