详细内容或原文请订阅后点击阅览
无分类器指导扩散模型的概述
详细了解无分类器指导的细微差别，这是当前最先进的图像生成模型（称为扩散模型）的核心采样机制。
来源:AI夏令营这篇博文概述了无分类器引导 (CFG) 以及基于噪声相关采样计划的 CFG 的最新进展。后续博文将重点介绍替代无条件模型的新方法。作为小小回顾奖励，附录简要介绍了注意力和自我注意力在生成模型中对 Unets 的作用。访问我们之前关于自我注意力和扩散模型的文章，了解有关扩散模型和自我注意力的更多介绍性内容。
自我注意力 扩散模型 介绍性内容简介
无分类器引导最近受到越来越多的关注，因为它可以合成具有高度复杂语义的图像，这些语义紧密遵循条件，例如文本提示。今天，我们将深入研究扩散引导的兔子洞。这一切始于 2021 年，当时，正在寻找一种方法来用扩散模型来权衡多样性和保真度，这是迄今为止文献中缺少的一个特征。GAN 有一种简单的方法来实现这种权衡，即所谓的截断技巧，其中潜在向量是从截断的正态分布中采样的，在推理中只产生更高似然的样本。
截断技巧同样的技巧不适用于扩散模型，因为它们依赖于训练和推理过程中的噪声为高斯分布。为了寻找替代方案，提出了分类器引导方法，其中使用外部分类器模型在推理过程中引导扩散模型。不久之后，采纳了这个想法，并找到了一种在没有明确分类器的情况下实现权衡的方法，创建了无分类器引导 (CFG) 方法。由于这两种方法为随后的所有扩散指导方法奠定了基础，我们将花一些时间好好掌握这两种方法，然后再探索此后发展起来的后续指导方法。如果您觉得需要复习扩散基础知识，请查看此处提供的。
此处