研究人员开发了一种名为分布引导CFG（DG-CFG）的新方法来提高扩散模型的性能。该技术分析了分类器自由引导（CFG）的概率流ODE，以推导出诱导分布的精确解析路径积分表示。DG-CFG通过引入指数路径积分校正来修改标准的CFG，从而允许一个考虑信号强度和误差放大的时间相关调度。在Stable Diffusion 1.5上的实验表明，DG-CFG提高了生成质量，并在通常会导致饱和和退化的强引导场景中提供了更好的多样性-保真度权衡。 AI
影响 提高了扩散模型的生成质量和采样效率，有可能降低高保真输出的计算成本。
排序理由 关于扩散模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
