无分类器引导是一种预测-校正方法
内容提要
本文探讨了无分类器引导（CFG）的有效性，指出其与DDPM和DDIM的不同交互。研究表明，CFG是一种预测-校正方法（PCG），在去噪和锐化之间交替。DDPM-CFG在SDE极限下等同于应用于条件分布的DDIM预测器和伽马分布的Langevin动态校正器。
延伸解读
CFG的理论困境与常见误解
尽管无分类器引导（CFG）是文本到图像扩散模型的主流条件采样方法，但其理论基础并不稳固。本文指出，CFG与DDPM和DDIM的交互方式不同，且两者结合CFG后均不会生成伽马分布的样本。这打破了此前可能存在的误解，即认为CFG能产生特定分布。理解这一点有助于研究者重新审视CFG的数学本质，避免在理论分析中套用不成立的假设。
预测-校正视角下的CFG新解
文章将CFG重新解释为一种预测-校正方法（PCG），其在去噪和锐化之间交替。在SDE极限下，DDPM-CFG等价于对条件分布应用DDIM预测器，再对伽马分布应用Langevin动态校正器。这一视角揭示了CFG的工作机制：与标准PC校正器旨在提高采样精度不同，CFG的校正器作用是锐化分布。这为理解CFG为何能提升生成质量提供了新的理论框架。
对扩散模型采样的实践启示
由于CFG被证明是一种预测-校正方法，且其校正步骤会锐化分布，这解释了CFG在提升样本质量的同时可能降低多样性。实践者应注意，CFG并非简单的条件采样，而是通过交替去噪和锐化来调整分布。这一认识有助于更合理地设置引导强度，并在需要多样性的场景中权衡锐化带来的影响。同时，理论上的澄清也为改进采样算法提供了方向。
Q&A
无分类器引导（CFG）是什么？
无分类器引导（CFG）是一种用于文本到图像扩散模型的条件采样方法，但其理论基础不稳固。
CFG与DDPM和DDIM的交互有什么不同？
CFG与DDPM和DDIM的交互方式不同，且这两种采样器与CFG都不会生成伽马分布的样本。
CFG的主要功能是什么？
CFG作为一种预测-校正方法（PCG），在去噪和锐化之间交替，以提高采样精度。
在SDE极限下，DDPM-CFG与什么等同？
在SDE极限下，DDPM-CFG等同于应用于条件分布的DDIM预测器和伽马分布的Langevin动态校正器。
CFG的校正器与标准PC校正器有什么不同？
CFG的校正器锐化分布，而标准PC校正器则应用于条件分布并提高采样精度。
CFG的有效性如何被研究？
研究表明CFG的有效性，通过阐明其作为预测-校正方法的行为，揭示了其与其他方法的不同之处。
