在有限区间内应用引导改善扩散模型的样本和分布质量

本研究首次对扩散模型中引导信息对性能的影响进行了理论研究，证明引入扩散引导提高了分类的置信度，减少了分布的多样性。

提出了一种更新的损失函数，以提高样本质量，并对不同的引导比例进行了实验验证。

研究提出了一种不需要分类器的纯生成模型的引导方法，平衡模式覆盖率和样本保真度。

通过“粒子引导”方法，探索了如何提高生成模型的多样性和采样效率，并在条件图像生成中展示了其价值。

介绍了self-guidance新方法，通过指导扩散模型的内部表示，提供对生成图像更强的控制力，能够进行复杂的图像操作。

提出了一种控制扩散模型生成图像中全局颜色的方法，确保输出接近已知颜色映射，同时不影响生成图像质量。

提出了一种通过流形引导减轻扩散模型中数据偏置的方法，改善生成图像的品质和无偏性。

提出了实用插播（PPAP）框架，利用参数高效的微调和不需要标记的数据传输来指导扩散过程。

提出了一种零样本技术——运动导向，允许用户精确编辑图像中对象的布局、位置和形状。

优化Stable Diffusion引导推理管道，减少推理时间并生成视觉效果良好的图像。