返回
Training-Free Diffusion-Based Conditional Generation with Collaborative Samples
DOI:10.1109/tip.2026.3739581.png)
摘要
En 中文
近期无条件扩散模型在条件生成任务中展现出卓越性能。通常,扩散模型作为先验,通过引入可微分损失函数参与任务而无需重新训练。传统上,采样过程中输出相互独立,这限制了解空间的探索并忽略了条件分布在样本层面的潜在结构。为应对此挑战,我们提出S-diff,一种基于Stein变分梯度下降(SVGD)的新型即插即用框架。该框架通过在扩散采样过程中探索样本间的相互作用来提升条件生成任务性能。具体而言,我们将多个样本视为SVGD更新中的“粒子”,结合扩散模型在第一时间步的得分函数与现成的可微分损失函数来近似条件得分函数。随后,该条件得分通过其他粒子定义的核函数进行平滑,共同引导粒子向更高概率区域移动。值得注意的是,由于扩散模型的内在属性,近似误差保持良好界限。该框架可无缝集成至常见的连续扩散采样过程和分离采样过程中。我们的实验证明了S-diff在广泛条件生成任务中的有效性。例如,我们在一个具有挑战性的基准上对16个条件生成任务全面评估了S-diff,涵盖视觉、音频和分子领域。结果显示,S-diff平均相对提升9.4%。
Keyword:
Generative model
diffusion model
conditional generation
Stein variational gradient descent
期刊
IF:
13.7
论文数:
1.1W
被引数:
10.8W
机构
引用论文
Applying Guidance in a Limited Interval Improves Sample and Distribution Quality in Diffusion Models
Quantum chemistry structures and properties of 134 kilo molecules134千分子的量子化学结构和性质
Scientific Data
IF6.9

