PathGuide：通过 同策略 传输对齐进行动态无分类器指导

虽然现代生成模型擅长对复杂数据进行建模，但条件生成中的精确推理时间控制仍然是一个关键挑战。无分类器引导（CFG）是这种控制的主要机制，但它通常被视为静态调整参数。然而，在基于流的模型中，制导尺度从根本上决定了速度场和由此产生的概率路径，使得制导选择成为动态路径优化问题。我们引入 PathGuide，这是一个将标量 CFG 选择重新表述为 同策略 传输问题的框架。利用连续性方程的弱形式，我们推导了具有直接路径正确性解释的选择标准：我们证明，如果引导场弱等效于沿生成的卷展栏的精确条件场，则采样器的路径与目标条件定律一致。对于标量 CFG，此标准会产生严格的二次局部目标，并为每个求解器区间提供高效、封闭形式的选择器。 PathGuide 可以在生成过程中在线计算和使用最佳引导尺度，或者将其离线安装为可重复使用的分段常数计划。我们在低分辨率图像流形和各种连续时间流结构的受控设置上验证了我们的方法，证明这种基于传输的选择器在固定和最先进的自适应引导基线上改善了路径对齐和样本保真度。