基于方差缩减序贯蒙特卡洛的特异性感知扩散引导

arXiv:2610.00395v1 公告类型：新 摘要：推理时引导使预训练扩散模型能够满足新的约束，而无需进行完整的重新训练。然而，特异性感知生成十分困难：将样本排斥出负参考分布的同时，也可能侵蚀两个分布重叠区域中的正参考分布。关键挑战在于抑制负分布质量，同时尽可能减少对正分布的扭曲。我们将这一问题表述为目标设计问题，并从基于重叠的目标函数中推导出一个目标分布。所得目标分布仅在期望参考分布相对于非期望参考分布具有足够优势的区域保留前者，从而赋予特异性一种似然比解释。为了从相应的时变目标路径中采样，我们设计了一种带有方差最小化局部提议分布的序贯蒙特卡洛采样器。我们还利用期望与非期望得分场的雅可比—向量积，引入了一种实用的固定噪声优化过程。在合成任务、类别对比生成、文生图任务以及肽-MHC（p-MHC）结合物上的实验表明，与负向引导基线方法相比，所提出的方法能够更有效地抑制非期望区域，减少模态偏移，并通过降低SMC权重坍缩来提升采样稳定性。代码可在以下地址获取：https://github.com/WangLuran/Specificity-Aware-Diffusion-Steering