classifier-free guidance (CFG)
PulseAugur coverage of classifier-free guidance (CFG) — every cluster mentioning classifier-free guidance (CFG) across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 SB-CFG 方法增强了合成 scRNA-seq 数据的生成
研究人员开发了一种名为稀疏性偏置无分类器引导 (SB-CFG) 的新引导策略，以改进使用扩散模型生成的合成单细胞 RNA 测序 (scRNA-seq) 数据。与依赖于训练用于近似真实边际分布的无条件分支的现有方法不同，SB-CFG 使用了故意信息不足的稀疏参考。这种方法增强了条件预测和无条件预测之间的对比度，从而在数据采样期间实现更有效的引导。在多个 scRNA-seq 数据集上的实验表明，与标准的无分类器引导相比，SB-CFG 在标…
-
新研究探索用于生成、鲁棒性和速度的高级扩散模型
研究人员正在为各种应用开发高级扩散模型，包括图像生成、时间序列合成和自然语言处理。Simplax 等新方法旨在通过使用辅助变量增强状态来改进分类生成，而 PhysDGM 将物理定律嵌入扩散模型中，用于动态系统中的真实时间序列数据合成。其他进展侧重于通过梯度掩蔽和空间压缩等技术增强扩散模型的对抗鲁棒性，并使用新颖的预测方法加速扩散 Transformer 的推理速度。此外，正在探索用于扩散模型更快采样以及开发平衡准确性和并行性的扩散大语…
-
新的光谱对齐方法解决了扩散模型的曝光偏差问题
研究人员开发了光谱对齐（SPA）方法，这是一种解决扩散模型中曝光偏差的新颖技术。该技术将中间预测的功率谱校准到预先计算好的先验，从而提高了迭代采样过程中的准确性。SPA是一种轻量级的、基于引导的方法，计算开销极小，并且可以与Classifier-Free Guidance (CFG) 等现有方法互补。该方法已在DDPM、ADM、SD2.0、SDXL、SD3.5和FLUX等各种扩散模型架构上展示了持续的改进。
-
新框架优化扩散模型引导，以实现更好的保真度-覆盖率权衡 · 跟踪3个来源
研究人员开发了一个新的信息论框架来优化扩散模型中的分类器自由引导（CFG）调度。该方法旨在平衡保真度与分布覆盖率之间的权衡，而这通常会因强引导而受到损害。所提出的方法使用参考点来引导采样器，并推导出目标估计的公式，在ImageNet-512和COCO数据集上展示了具有竞争力的或改进的结果。