论文
流量匹配中的无分类器指导：非自主势、超调和后均值控制
Classifier-Free Guidance in Flow Matching: Non-Autonomous Potentials, Overshoot, and Posterior-Mean Control
摘要
无分类器引导（CFG）改进了流匹配中的条件生成，但强引导会扭曲生成的分布并减少多样性。我们通过将流匹配视为时变梯度流并描述 CFG 如何重塑其潜在潜力，提供了这种行为的几何解释。这种观点解释了更强的对准如何伴随着平均位移和轨迹集中，并激励通过模型隐含的终端后验平均值来控制引导。因此，我们提出了后均值上限 CFG (PMC-CFG)，这是一种无需训练、按样本的方法，可以自适应地保留最强的可行指导，而无需额外的网络评估。合成和大规模图像生成基准的实验表明，PMC-CFG 限制了制导引起的失真和集中，同时改善了对准与多样性的权衡，当标称制导较大时，其优势尤其明显。