扩散模型的端到端学习引导调度

arXiv:2610.01502v1 公告类型：新 摘要：扩散模型是一种强大的生成范式，广泛应用于多媒体和科学领域。引导扩散方法在推理过程中将可微损失（引导函数）的梯度作为漂移项加入，从而对生成施加约束。该漂移项的权重（引导尺度）对于平衡数据质量与约束满足程度至关重要。为了同时实现这两个目标，引导扩散必须采用较小的引导尺度和较长的采样过程，从而产生较高的计算成本。本文提出学习式端到端引导调度（LEEGS），以更少的采样步数实现这些目标。LEEGS通过随机梯度下降，在少量样本上最小化引导函数，从而学习一个依赖时间的调度方案。由于对引导采样进行反向传播的计算成本很高，LEEGS采用梯度近似，将训练时间缩短了4倍。我们在多种引导任务上评估了LEEGS，包括：（a）图像修复；（b）含噪图像逆问题；（c）人脸ID引导的生成；（d）正向和逆向PDE问题。在相同预算（50或100个NFEs）下，LEEGS的表现优于基线方法；或者仅使用10%的步数，就能达到恒定引导的效果。