已知有条件的扩散模型对数据分布具有良好的覆盖范围,但它们仍然面临输出多样性的限制,尤其是在使用无分类器的无分类引导量表进行采样以实现最佳图像质量或在小型数据集中进行培训时。我们将这个问题归因于调节信号在推理中的作用,并为扩散模型提供了改进的采样策略,这些模型可以增加产生多样性,尤其是在高导度量表下,而采样质量的损失最小。我们的抽样策略通过在推断期间将高斯噪声添加到调节矢量中,以平衡多样性和条件比对,从而使调节信号降低了调节信号。我们的条件 - 退火扩散采样器(CADS)可以与任何验证的模型和采样算法一起使用,我们表明它可以提高各种条件生成任务中扩散模型的多样性。此外,使用现有的预处理扩散模型,CADS分别以256×256和512×512的形式获得了新的最先进的FID和2.31。
主要关键词