无分类器扩散指导概述：模型指导本身版本不佳导致模型指导受损（第 2 部分）

此后续博客文章审查了替代性分类器指导（CFG）方法，用于训练而无需调节辍学的扩散模型。在这种情况下，不能应用CFG。那么，我们该怎么办？还是如何将CFG应用于纯无条件的生成设置？

无分类器指导 无 生成

最近的作品表明，（共同训练的）无条件的“模型”可以用各种替代方案（例如受损/下型模型）代替。与条件模型相比，下层网络可以是条件或无条件的，并且需要某种瓶颈。我们将参考正面模型和负面模型，以避免有条件模型和无条件模型之间的混淆，如普通CFG所示。访问我们以前的有关扩散模型或CFG的文章，以掌握基本概念。

扩散模型 cfg

正符号和负符号

CFG需要a）外部条件（文本或类标签），b）有和没有条件的培训。后者是指随机删除条件，通常为10-20％。也可以对模型进行单独的培训，但在这两种情况下，这都是一个限制。这是CFG的已知限制，这是其最初拒绝的原因之一：

初始拒绝

“从AC的角度来看，如果作者能够推广其技术，则可以增强实际意义，而不是协助有条件扩散模型。”

从现在开始，我们将由于CFG方程中的符号而将CFG中的条件和无条件模型称为正模型。

d^out（xσ）= dneg（xσ）+（1+γ）（dpos（xσ）-dneg（x ∣σ））。 \ hat {d} _ {\ text {out}}（x \ mid \ sigma）= d _ {\ text {neg}}（x \ mid \ sigma） +（1 + \ gamma）\ left（d _ {d _ {pos}}（pos}}（neg） \ mid \ sigma）\右）。 d^out（xσ）= dneg（xσ）+（1+γ）（dpos（xσ）-dneg（x ∣σ））。 d^out（xσ）= dneg（xσ）+（1+γ）（dpos（xσ）-dneg（x ∣σ））。 d^out d^ d ^ OUT （ x ^ σ ） = dneg neg + 1 γ （dpos（xσ）-dneg（xσ）） dpos pos - 。 d^out（x d^out OUT σ）= dneg（x dneg σ）+ OUT （ x ^ σ ） = dneg neg + 1 γ （dpos（xσ）-dneg（xσ）） dpos pos - 。 d^out（x d^out OUT σ）= dneg（x dneg σ）+ OUT σ）= dneg（xdnegσ）+