Diff-CA：通过扩散模型分离常见因素和显着因素

对比分析旨在将两种数据分布之间共有的因素与仅对其中一种数据分布显着的因素区分开来。现有的对比方法基于生成模型（例如 VAE 或 GAN），这些模型通常受到重建和图像质量有限的影响，这阻碍了有效的潜在因子分离，并限制了它们在高保真图像生成和编辑中的适用性。我们提出了一种新颖的扩散模型调节框架，可以在不影响生成质量的情况下进行对比分解。我们首先训练一个无提示的图像条件扩散模型，然后学习使用弱监督将条件分解为常见和显着的因素。我们证明了先前工作中通常假设的加法对比分解在温和条件下是可识别的。这种分解通过仅交换或插值显着因子来实现有针对性的操作。