概率守恒流程指导

基于扩散和流的生成模型主导着视觉合成，指导将样本与用户输入对齐并提高感知质量。然而，无分类器指导（CFG）和基于外推法的方法是速度/分数的启发式线性组合，忽略了生成流形几何，打破了概率守恒并在强指导下将样本从学习流形中驱动出来。我们通过连续性方程分析指导，并表明其效果分解为散度项和在参数化过程中不变定义的分数平行项。我们证明，当采样接近数据流形时，发散项会在结构上爆炸，从而激发时间相关的时间表以及分数平行衰减。由此产生的即插即用规则，自适应流形指导（AdaMaG），在没有额外推理成本的情况下限制了这两个项。最后，我们表明，大多数用于降低饱和度或提高生成质量的经验启发法直接对应于我们分解中的这两项。在图像生成基准中，AdaMaG 提高了真实感，减少了幻觉，并在高指导制度下诱导受控去饱和。