DICT：通过数据注入与轨迹对比改进条件图像生成

扩散模型已成为条件图像生成的主导范例，但现有方法通常遵循两个方向：特定于任务的设计，可以提高性能但限制泛化，以及 无需训练 损失指导，将丰富的条件压缩为标量目标并应用逐步指导，导致沿采样轨迹的信息瓶颈和误差累积。鉴于迫切需要跨不同条件图像生成任务的有效统一框架，我们提出了数据注入和对比轨迹细化（DICT），这是一种 无需训练 推理方法，可以在不引入任务相关架构的情况下增强条件图像生成。 DICT 引入了数据注入，将受噪声扰动的条件信号集成到早期降噪阶段；通过对这些注入信号进行引导降噪，DICT 从原始条件中自适应地选择和提取任务显着信息，有效保留空间丰富性并确保条件与生成的精确匹配。此外，DICT 在相邻的去噪状态中应用对比轨迹细化，从而实现成对比较，从而逐步提高样本质量。这些设计保持推理简单，同时在统一扩散公式下改进跨任务传输。对条件图像生成任务（例如风格迁移、图像超分辨率和图像去模糊）的广泛实验表明，与代表性任务特定和损失引导基线相比，保真度和感知质量得到了一致的提高。