本文探讨了扩散模型中的曝光偏差问题，分析了其对模型输出的影响，并提出了一种名为Epsilon Scaling的方法来缓解这一问题。研究强调了训练数据与生成图像之间建立联系的重要性，并通过实验验证了该方法在不同扩散框架下的有效性，展示了扩散模型生成高质量图像的潜力。

本文研究了扩散模型中的曝光偏差问题，并提出了一种名为Epsilon Scaling的方法来缓解该问题。该方法通过缩小网络输出，使抽样轨迹接近训练阶段学习到的向量场，减轻了训练和抽样之间的输入不匹配。实验证明该方法在各种扩散框架和条件设置下都有效。