DiFA：扩散模型的推理时间前向过程对齐

扩散模型的流行推理框架从根本上将生成问题表述为数值积分问题。这种观点将模型视为精确估计器，忽略了去噪过程​​固有的统计不确定性。在这项工作中，我们提出了前向过程对齐扩散预测（\textbf{DiFA}），这是一个 无需训练 框架，它将推理时间数据预测细化重新构建为顺序状态估计问题。 DiFA 不是仅仅为了数值积分而重用过去的输出，而是将反向轨迹上的迭代数据预测视为相关观测值，以构建前向对齐的时间共识。受卡尔曼滤波的启发，该共识根据结构一致性和噪声水平兼容性汇总了历史预测。为了抵消时间共识的过度平滑趋势，我们引入了偏差引导机制来自适应地保留残留细节。根据经验，DiFA 在评估指标（包括 FID、IS 和 FD-DINOv2）上比 CIFAR-10 和 ImageNet 有了显着改进，这表明将推理与前向统计结构相结合可以大大提高生成保真度。