无训练，无问题：重新思考扩散模型的无分类器引导
内容提要
该研究探讨了无分类器引导在文本条件扩散模型中的应用，提出了自适应引导和S-CFG等新方法，显著提高了文本到图像生成的质量和效率，并降低了计算成本。这些方法在多项任务中表现优异，展示了广泛的潜在应用。
延伸解读
无分类器引导的演进脉络
文章梳理了无分类器引导（CFG）在文本条件扩散模型中的多项改进，时间跨度从2022年到2024年。这些工作分别从推理效率、样本质量、可逆性、语义定制等角度切入，形成了清晰的技术演进路径。读者可以从中看到，CFG虽为基础技术，但围绕其展开的优化仍在持续，且不同方法针对的问题各有侧重。
效率与质量的权衡策略
文章提到，自适应引导（AG）通过简单仿射变换替代整个神经函数评估，从而减少计算量并保持图像质量；Dreamguider则无需计算密集型反向传播，通过调节渐变流量实现轻量级引导。这些方法共同指向一个趋势：在尽量不牺牲生成质量的前提下，降低推理成本，使文本条件扩散模型更易于实际部署。
CFG++与S-CFG的针对性改进
CFG++将文本引导重新定义为逆问题，旨在改善样本质量、可逆性并减少模式崩溃；S-CFG则允许定制不同语义单元的引导程度，且无需额外训练成本。两者分别从问题重构和语义粒度两个维度对传统CFG进行增强，展示了引导机制在细粒度控制上的潜力，也为后续研究提供了可借鉴的思路。
跨任务与跨模态的扩展
文章指出，CFG相关技术不仅用于图像生成，还在语言模型任务（如LAMBADA）上取得SOTA，并改善了语言助手的准确性和连贯性；非分类器引导的流匹配模型也在语音合成中提升了样本质量。这表明引导方法具有跨模态的通用性，其影响可能超出文本到图像生成，延伸至更广泛的生成式AI应用。
Q&A
无分类器引导在文本条件扩散模型中有什么作用？
无分类器引导可以提高推理效率，减少计算量，同时保持图像质量。
自适应引导（AG）是如何改善图像生成的？
自适应引导通过有效变体减少计算量，同时保持图像质量，促进实际应用。
CFG++方法解决了哪些传统CFG的问题？
CFG++改善了文本到图像生成的样本质量、可逆性，并减少了模式崩溃。
Dreamguider的主要特点是什么？
Dreamguider是一种无需计算密集型反向传播的推理方法，通过调节渐变流量解决引导问题。
S-CFG方法与传统CFG相比有什么优势？
S-CFG在引导不同语义单元方面具有明显优势，并且不需要额外的训练成本。
无分类器引导在条件图像生成中的应用效果如何？
使用非分类器引导的流匹配模型显著改善了样本质量，并降低了计算量。
