时间表设计的无分类器指导的分析分布

无分类器引导 (CFG) 是扩散模型中条件生成的默认机制，但由其确定性引导动力学采样的分布并不能被通常的乘积分布启发式 $p_0^ωq_0^{1-ω}$ 捕获。我们通过概率流 ODE 分析 CFG，并导出常数和时间相关指导的诱导分布的精确分析路径积分表示。结果公式表明，CFG 通过指数路径积分修正来修改 $p_{t_0}$，并且时间相关的调度通过权重 $ω(t)-1$ 进入此修正。这种表征解释了分数差异如何沿着采样轨迹累积，并激发了分布引导 CFG (DG-CFG)，这是一种平衡时间步贡献的时间表，同时考虑到信号强度和低噪声分数误差放大。具有分析分数的玩具模型仔细验证了预测的分布。在 Stable Diffusion~1.5、Stable Diffusion~2.1 和 Stable Diffusion~XL 中，DG-CFG 产生了更强的多样性 - 保真度权衡，并有力地减轻了由强恒定或启发式指导引起的饱和和质量下降。 Stable Diffusion~1.5 和 Stable Diffusion~2.1 上的完整 NFE 实验证实，这些增益在整个采样预算中持续存在，而两个主干上的固定质量实验表明，DG-CFG 以更少的采样步骤达到了目标指标。