Dreamguider: Verbesserte Trainingsfreie Diffusion-basierte bedingte Generierung

Diffusionsmodelle haben sich als ein beeindruckendes Werkzeug für die trainingsfreie bedingte Generierung erwiesen. Ein entscheidendes Hindernis bei Techniken zur Anleitung in der Inferenzzeit ist jedoch die Notwendigkeit einer rechenintensiven Rückpropagation durch das Diffusionsnetzwerk zur Schätzung der Leitungsrichtung. Darüber hinaus erfordern diese Techniken oft eine handwerkliche Anpassung der Parameter von Fall zu Fall. Obwohl einige aktuelle Arbeiten minimale Rechenmethoden für lineare inverse Probleme eingeführt haben, fehlt nach wie vor eine generische leichte Lösung für sowohl lineare als auch nichtlineare Anleitungsprobleme. Zu diesem Zweck schlagen wir Dreamguider vor, eine Methode, die Anleitungen in der Inferenzzeit ermöglicht, ohne eine rechenintensive Rückpropagation durch das Diffusionsnetzwerk. Die zentrale Idee besteht darin, den Gradientfluss durch einen zeitvariierenden Faktor zu regulieren. Darüber hinaus schlagen wir eine empirische Anleitungsskala vor, die für eine Vielzahl von Aufgaben funktioniert, wodurch die Notwendigkeit der handwerklichen Anpassung von Parametern entfällt. Außerdem führen wir eine effektive leichte Augmentierungsstrategie ein, die die Leistung während der Anleitung in der Inferenzzeit erheblich steigert. Wir präsentieren Experimente mit Dreamguider bei mehreren Aufgaben über verschiedene Datensätze und Modelle, um die Wirksamkeit der vorgeschlagenen Module zu zeigen. Um weitere Forschung zu erleichtern, werden wir den Code nach dem Überprüfungsprozess öffentlich zugänglich machen.