ICML 2024 | 即插即用无需训练，几行代码提升Diffusion性能！DSG：基于球面高斯约束引导的条件扩散模型

文章预览

近期，Guidance技术尝试通过预训练的扩散模型实现无需训练的条件生成，但面临样本质量下降和采样过程长的问题。本文揭示了其背后的原因是采样过程中的流形偏离，并提出了基于球形高斯约束的Guidance方法（DSG）。DSG通过优化策略限制步长在数据流形内，提高了采样效率。此外，DSG具有闭式解，易于集成到现有方法中，且几乎不增加计算成本。我们在多种条件生成任务中验证了DSG的有效性。 论文标题： Guidance with Spherical Gaussian Constraint for Conditional Diffusion 论文链接： https://arxiv.org/abs/2402.03201 代码链接: https://github.com/LingxiaoYang2023/DSG2024 一、摘要 最近的Guidance方法试图通过利用预训练的扩散模型实现损失函数引导的、无需训练的条件生成。虽然这些方法取得了一定的成功， 但它们通常会损失生成样本的质量，并且只能使用较小的Guidance步长，从而 ………………………………