研究人员发现扩散模型中无分类器引导（CFG）存在一个关键问题，即高引导水平会导致过饱和和不稳定性。他们提出了一种新颖的修复机制，用修改后的版本替换标准的CFG公式，在不增加计算成本的情况下有效稳定了该过程。这种新方法在测试网格上相对于传统CFG取得了显著的改进，获得了9/9个FID点数胜利，并在稳定Stable Diffusion 1.5等模型的强引导场景方面显示出潜力。 AI
影响 这项研究提供了一种在不增加额外计算成本的情况下，提高扩散模型生成图像的稳定性和质量的方法。
排序理由 该集群包含一篇学术论文，详细介绍了一种改进现有AI模型的新方法。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
arXiv:2607.07665v1 Announce Type: new Abstract: Classifier-free guidance (CFG) is the standard way to strengthen class-conditioning in diffusion and flow-matching samplers, yet at large guidance it oversaturates and destabilizes, symptoms practitioners suppress with more steps or…
Classifier-free guidance (CFG) is the standard way to strengthen class-conditioning in diffusion and flow-matching samplers, yet at large guidance it oversaturates and destabilizes, symptoms practitioners suppress with more steps or limited-interval schedules. We analyze CFG thro…
Classifier-free guidance (CFG) is the standard way to strengthen class-conditioning in diffusion and flow-matching samplers, yet at large guidance it oversaturates and destabilizes, symptoms practitioners suppress with more steps or limited-interval schedules. We analyze CFG thro…