从 Classifier Guidance 到 Classifier-Free Guidance：一文讲清 Diffusion 里的 CFG

8 minute read

Published: April 20, 2026

Diffusion 模型发展到今天，CFG 几乎已经成了文本生成图像系统里的“默认组件”。
但很多人第一次看到它时都会困惑：

为什么一个模型要做“有条件前向”一次、“无条件前向”一次？
为什么不能直接训练一个很强的条件模型？
Classifier Guidance 和 Classifier-Free Guidance 到底是什么关系？
为什么后来的蒸馏模型又常常说“已经不需要 CFG 了”？

这篇文章想做的事情，就是把这条知识脉络从头理顺：
从无条件 Diffusion 的起点出发，讲到 Classifier Guidance，再讲到今天真正主流的 Classifier-Free Guidance (CFG)，最后补上 few-step / distillation 路线和近两年的一些延伸工作。

Diffusion guidance evolution timeline

上图可以先当作全文导航来读：
最左边是无条件 diffusion 的起点，中间是两代 guidance，最右边是把 guidance 效果蒸进 few-step 模型的后续路线。

1. 起点：无条件 Diffusion 学的只是 `p(x)`

先从最原始的 DDPM 视角看问题。
一个无条件 diffusion 模型学的是数据分布 p(x)，也就是：

什么样的样本看起来像“真实世界中的自然图像”。

它并不知道你想生成什么。
所以如果你只给它高斯噪声，它学会的是“把噪声慢慢拉回自然图像流形上”，而不是“把噪声拉成一只猫”或者“拉成一辆红色跑车”。

在 DDPM 的常见参数化里，前向加噪可以写成：

\[x_t = \sqrt{\bar{\alpha}_t}x_0 + \sqrt{1-\bar{\alpha}_t}\epsilon,\quad \epsilon \sim \mathcal{N}(0, I)\]

训练时模型通常预测噪声：

\[\epsilon_\theta(x_t, t)\]

Ho 等人在 DDPM 里说明了这种噪声预测与 denoising score matching 存在紧密联系，因此我们常把 diffusion 模型理解为在不同噪声水平下学习一个 score function 的近似器。[1]

更直观一点说：

x_t 是某个时刻的噪声图
模型要回答的问题是：“这张图里哪一部分是噪声？应该往哪个方向去噪？”
如果模型只学了 p(x)，它最多只能说“往更像自然图像的方向去”

但条件生成想做的是：

\[p(x|c)\]

也就是：

在满足条件 c 的前提下，什么样的图像是合理的？

这里的 c 可以是类别标签、文本、另一张图像、语音 embedding，甚至更复杂的多模态条件。

问题于是变成了：

怎么把条件信号注入去噪过程？

这条路上，Diffusion 社区先后给出了两代代表性答案。

2. 第一代方案：Classifier Guidance

Classifier Guidance 的代表工作是 Dhariwal 和 Nichol 在 2021 年的 Diffusion Models Beat GANs on Image Synthesis。[2]

它的核心想法非常优雅：
先保留一个无条件 diffusion 模型来提供“自然图像先验”，然后再额外训练一个分类器，告诉模型“怎样更像某个类别”。

2.1 贝叶斯公式是整个故事的起点

对于类别条件 c，有：

\[p(x_t|c) \propto p(c|x_t)\,p(x_t)\]

两边取对数并对 x_t 求梯度，可得：

\[\nabla_{x_t}\log p(x_t|c)=\nabla_{x_t}\log p(x_t)+\nabla_{x_t}\log p(c|x_t)\]

这行式子的含义特别重要：

\nabla_{x_t}\log p(x_t)：让样本更像“自然图像”
\nabla_{x_t}\log p(c|x_t)：让样本更像“类别 c”

于是条件生成的 score 可以拆成：

无条件生成能力 + 分类器给的条件方向

2.2 它在采样时是怎么工作的

直觉化地写，Classifier Guidance 的采样过程可以理解为：

Step 1: diffusion 模型在当前 x_t 上做一次前向
        得到无条件噪声预测或 score

Step 2: 分类器在同一个 x_t 上判断“这有多像类别 c”
        然后对 x_t 求梯度

Step 3: 用这个梯度去修正 diffusion 模型的去噪方向

Step 4: 按修正后的方向走一步，得到 x_{t-1}

在 Dhariwal & Nichol 的论文里，这个修正以“对采样均值加上分类器梯度项”的形式写进算法；如果改写到更常见的 \epsilon-prediction 记号中，会看到大家熟悉的“沿着分类器梯度方向做引导”。
需要注意的是：不同采样器、不同参数化下常数项会略有差异，所以教程里出现的公式看起来可能不完全一样，但核心思想是一致的。[2]

2.3 这个方法为什么当时很重要

因为它第一次清楚地证明了：

diffusion 模型也可以像 GAN 一样，通过引导在“样本保真度”和“分布覆盖度”之间做可控权衡。

Dhariwal & Nichol 在 ImageNet 上展示了很强的结果：通过 classifier guidance，他们把 conditional diffusion 的质量显著拉高，并把 diffusion 真正推到了“能和当时顶级 GAN 正面竞争”的阶段。[2]

2.4 但它有一个很重的代价：分类器必须在噪声图上工作

这是 Classifier Guidance 最大的工程痛点。

普通分类器只见过干净图像 x_0，但 diffusion 采样时给它的是各种噪声水平下的 x_t。
因此你不能直接拿一个普通 ImageNet 分类器来引导 diffusion，而必须训练一个噪声感知分类器：

def train_noisy_classifier(x0, y):
    t = sample_timestep()
    noise = torch.randn_like(x0)
    x_t = add_noise(x0, noise, t)
    logits = classifier(x_t, t)
    loss = cross_entropy(logits, y)
    return loss

也就是说，整个系统变成了：

一个 diffusion 模型
一个额外分类器
分类器还要在所有噪声水平上都能稳定工作

而且推理时为了拿到 \nabla_{x_t}\log p(c|x_t)，还需要对分类器做反向传播，这会带来额外显存和速度开销。

3. 第二代方案：Classifier-Free Guidance

真正把 diffusion 条件生成推成主流工业范式的，是 Ho 和 Salimans 在 2021 年提出的 Classifier-Free Diffusion Guidance。[3]

这篇工作的标题其实就已经说明了本质：

classifier guidance without a classifier

也就是：

我还想要 guidance 的效果，但我不想再训练一个分类器。

3.1 关键替换：把“分类器梯度”改写成两个 score 的差

从贝叶斯公式出发：

\[p(c|x_t)=\frac{p(x_t|c)p(c)}{p(x_t)}\]

对数化后对 x_t 求梯度：

\[\nabla_{x_t}\log p(c|x_t) = \nabla_{x_t}\log p(x_t|c) -\nabla_{x_t}\log p(x_t)\]

这里 p(c) 对 x_t 来说是常数，所以梯度为 0。

这一步非常关键，因为它说明：

分类器梯度，本质上可以看成“条件 score”和“无条件 score”的差值。

而 diffusion 模型本来就在学 score 的近似。
所以如果同一个模型既能输出条件版本，又能输出无条件版本，那么分类器的作用就可以被“模型自己的两次前向”替代。

3.2 从 score 形式到大家熟悉的 CFG 公式

在常见 VP diffusion / \epsilon-prediction 的记号下，可以把这件事写成：

\[\hat{\epsilon} = \epsilon_\theta(x_t,t,\varnothing) + w\cdot\left[\epsilon_\theta(x_t,t,c)-\epsilon_\theta(x_t,t,\varnothing)\right]\]

其中：

\epsilon_\theta(x_t,t,c)：有条件噪声预测
\epsilon_\theta(x_t,t,\varnothing)：无条件噪声预测
w：guidance scale

有时你也会看到等价写法：

\[\hat{\epsilon} = (1+w)\epsilon_\theta(x_t,t,c)-w\epsilon_\theta(x_t,t,\varnothing)\]

两者完全等价，只是展开方式不同。

3.3 为什么 score 能改写成噪声预测

上面这一步里，很多人最容易卡住的地方是：

前面推的是 score，为什么后面突然变成了噪声预测 \epsilon_\theta？

关键在于 VP diffusion 的前向分布：

\[q(x_t|x_0)=\mathcal{N}\left(\sqrt{\bar{\alpha}_t}x_0,\,(1-\bar{\alpha}_t)I\right)\]

对 x_t 求对数梯度：

\[\nabla_{x_t}\log q(x_t|x_0) = -\frac{x_t-\sqrt{\bar{\alpha}_t}x_0}{1-\bar{\alpha}_t} = -\frac{\epsilon}{\sqrt{1-\bar{\alpha}_t}}\]

因为：

\[x_t-\sqrt{\bar{\alpha}_t}x_0=\sqrt{1-\bar{\alpha}_t}\,\epsilon\]

所以在这个参数化下，score 和噪声只差一个与时间步有关的缩放因子。
这也是为什么 diffusion 文献里常把：

\[\nabla_{x_t}\log p_t(x_t|c)\]

近似写成：

\[-\frac{1}{\sqrt{1-\bar{\alpha}_t}}\epsilon_\theta(x_t,t,c)\]

严格地说，这里对应的是扰动后边缘分布的 score 近似；不同参数化和不同 sampler 下写法会有差别，但对理解 CFG 来说，这个关系已经足够用了。

3.4 直觉上它到底在干什么

把上面的公式拆开看：

\[\epsilon_\theta(x_t,t,c)-\epsilon_\theta(x_t,t,\varnothing)\]

这一项可以理解为：

条件 c 相对于“什么都不说”所带来的额外方向

所以 CFG 其实是在做一件非常朴素的事：

先得到“自然去噪方向”
再提取出“条件带来的额外偏移”
把这部分偏移乘上一个更大的系数

这就是为什么很多人把 CFG 理解成“方向放大器”。
它不是凭空发明一个新方向，而是在有条件和无条件之间做对比，把“条件真正贡献的那一小段方向”放大。

4. 训练阶段：为什么一个模型能同时学会有条件和无条件

CFG 成立的前提是：

同一个模型既会做 \epsilon(x_t,t,c)，也会做 \epsilon(x_t,t,\varnothing)。

Ho 和 Salimans 的做法很简单：训练时随机把条件丢掉。[3]

伪代码如下：

def training_step(x0, c):
    t = sample_timestep()
    noise = torch.randn_like(x0)
    x_t = add_noise(x0, noise, t)

    if random() < p_drop:
        c = null_condition

    eps_pred = model(x_t, t, c)
    loss = mse(eps_pred, noise)
    return loss

其中 p_drop 通常设成 10% 到 20% 左右。

这意味着训练过程中模型会见到两类样本：

大多数时候：正常条件训练
少数时候：条件被替换为空条件

于是模型自然学会了两种行为模式：

输入真实条件 c   -> 输出条件去噪结果
输入空条件 ∅     -> 输出无条件去噪结果

所以推理时只要把同一个 x_t 喂给模型两次：

一次给真实条件
一次给空条件

就能得到 CFG 所需的两个分支。

5. Classifier Guidance 和 CFG 到底差在哪里

把两代方法摆在一起，对比会非常清楚。

维度	Classifier Guidance	Classifier-Free Guidance
需要几个模型	2 个	1 个
是否需要额外分类器	需要	不需要
分类器是否要适配噪声图	需要	不需要
训练方式	diffusion 无条件训练 + 分类器单独训练	条件训练 + condition dropout
推理开销	diffusion 前向 + 分类器反向	两次 diffusion 前向
条件类型	更适合离散类别	任意 embedding 条件
工程复杂度	高	低
当前使用情况	历史重要，但已非主流	现代主流

如果只看数学推导，这两者像是“同一家族的两个版本”。
但如果从工程实现看，差距非常大。

Classifier Guidance versus Classifier-Free Guidance

如果你只想先抓住最核心的工程差异，那么看这张图就够了：
Classifier Guidance 是“diffusion 模型 + 外部分类器”，CFG 则是“同一个 diffusion 模型跑两次”。

5.1 为什么 Classifier Guidance 会被边缘化

主要有四个原因。

原因 1：分类器负担太重

你不只是多训练了一个网络，而是多训练了一个噪声鲁棒分类器。
这件事本身就不轻，而且每换一种条件形式都要重来。

原因 2：推理要反向传播

Classifier Guidance 采样时需要拿分类器对 x_t 的梯度。
这意味着：

需要保留更多中间激活
显存压力更大
速度通常不如“两次前向”的 CFG

原因 3：条件类型太受限

分类器天然适合“猫 / 狗 / 车”这种离散标签。
但现代生成任务的条件往往是：

长文本 prompt
图像条件
layout / depth / segmentation
多模态混合 embedding

这时候“训练一个噪声图上的条件分类器”就变得很不自然。

原因 4：高噪声阶段梯度不稳定

当 x_t 很接近纯噪声时，分类器给出的判断很容易不可靠。
这会导致引导方向 noisy、过激，甚至带来类似对抗样本的伪影。

6. 为什么“直接做条件生成”还不够，偏偏要有无条件分支

这往往是大家第一次学 CFG 时最困惑的点。

一个很自然的问题是：

如果模型本来就是条件模型，为什么不直接用 \epsilon_\theta(x_t,t,c) 去采样？
为什么还要再算一次无条件分支？

答案是：因为 CFG 不只是“让模型有条件”，而是在推理阶段对条件方向进行再加权。 这并不是说纯条件模型不能工作，而是说它少了一个可以在推理时显式放大条件信号的控制手柄。

6.1 纯条件模型只是在做“条件均值意义下的去噪”

如果 prompt 很宽泛，比如“a cat”，那么满足这个条件的图像分布其实很宽：

橘猫
黑猫
正脸
侧脸
写实
插画

单纯条件模型学到的是这个条件分布下的平均去噪规律。
而 MSE 型训练目标天然倾向于学习“平均意义上最稳妥的预测”。

结果往往是：

条件满足了
但语义不够“尖锐”
细节和风格不够坚定

CFG 做的事情则更像是在说：

我不仅要满足条件，我还要更坚定地朝条件特征前进。

6.2 无条件分支提供了一个“基线”

这一点非常重要。

有了无条件预测，你才能问出下面这个问题：

相比于“什么都不说”时的去噪方向，这个条件到底额外改变了什么？

也就是这项：

\[\epsilon_\theta(x_t,t,c)-\epsilon_\theta(x_t,t,\varnothing)\]

这就是条件的“纯增量”。

没有无条件分支，你只有 \epsilon_\theta(x_t,t,c)，却不知道里面有多少是：

来自数据分布本身的通用图像先验
来自条件 c 的额外要求

CFG 恰恰把这两部分显式分离开了。

6.3 从分布角度看，CFG 可以理解为“后验锐化”

很多教程会把 CFG 理解成对条件分布的 sharpen。
直觉上它对应于：

\[\tilde{p}(x|c)\propto \frac{p(x|c)^w}{p(x)^{w-1}}\]

也就是在对数空间里放大条件分布相对于无条件分布的优势方向。

这个视角对于理解“为什么更贴 prompt，但多样性下降”非常有帮助：
w 越大，分布越尖，语义通常越强，但 mode coverage 往往会下降。

这里要加一个重要注记：

上面这个“锐化分布”视角是一个非常有用的直觉，但并不是对所有离散采样器、所有有限步采样过程都严格成立的完整结论。

近年的理论工作开始更仔细地讨论 CFG 的有限步行为，以及它为什么会出现“过饱和、模式坍缩、编辑不可逆”等副作用；例如 CFG++ 就把部分问题解释为 off-manifold 现象。[7]

7. CFG 的实际效果，为什么它能长期统治文本生成图像

CFG 能成为主流，不只是因为“省了一个分类器”，更因为它刚好踩中了现代大模型系统的需求。

7.1 它天然支持任意条件 embedding

只要条件能被编码成向量，CFG 就能工作：

class embedding
text encoder 输出
image encoder 输出
audio embedding
layout / depth / pose control signal

这跟文本生成图像时代的需求几乎完美匹配。

7.2 它给了推理阶段一个可调节旋钮

guidance scale 是一个极其实用的控制参数。

小一些：更多样，但可能没那么贴 prompt
大一些：更贴 prompt，但更容易失真、过饱和、重复

这让同一个基础模型能覆盖很多场景，而不必为每种“对齐强度”重新训练一份。

7.3 它非常契合 latent diffusion / Stable Diffusion 这类架构

现代文本生成图像系统通常采用：

文本编码器把 prompt 编成 embedding
latent diffusion / UNet 在潜空间做去噪
采样时同时跑 conditional 和 unconditional 分支
用 CFG 线性组合

这套接口很简单，也很模块化。
所以从 Stable Diffusion 到许多后来的文本生成图像系统，CFG 都成为了默认推理机制。

8. CFG 的副作用：为什么 guidance scale 不能无限加大

CFG 不是越大越好。

如果把 w 开得很高，常见问题包括：

图像过饱和
纹理僵硬
构图重复
多样性下降
细节出现“被强行往 prompt 上扯”的伪影

这背后的直觉并不难理解：

你在不断放大“条件增量方向”，但这个方向本来只是一个局部修正。
放大过头，就会从“更对齐”变成“过度纠偏”。

很多用户在 Stable Diffusion 里都有很直观的经验：

scale 太小，图像“没听话”
scale 太大，图像“过于用力”

从理论和经验上看，CFG 一直在做一件 trade-off：

对齐更强，通常意味着多样性更弱。

这也是后来很多改进工作的出发点。

9. 后续发展：为什么蒸馏模型常常“不再需要 CFG”

理解了 CFG 之后，再看 few-step 模型就顺了。

很多人第一次看到 LCM、SDXL Turbo 这类模型时会觉得奇怪：

为什么原始模型要几十步、还要 CFG；
蒸馏后的模型却几步就行，甚至不再依赖传统 CFG？

答案是：

因为 CFG 的效果可以在训练时被“蒸”进学生模型里。

9.1 Progressive Distillation：先解决“步数太多”

Salimans 和 Ho 在 2022 年提出 Progressive Distillation for Fast Sampling of Diffusion Models，核心思想是把一个多步 deterministic sampler 逐轮蒸成更少步数的模型，每一轮把步数减半。[4]

它解决的是：

diffusion 太慢，如何把 8192 步、1024 步慢慢蒸成 4 步？

这一步不一定直接针对 CFG，但为后面 few-step 生成打了基础。

9.2 Consistency Models：直接学习从噪声到数据的快速映射

Song 等人在 2023 年提出 Consistency Models，把目标推进到“一步或少步生成”。[5]

它的关键思想是让模型学会不同时间点之间的一致映射，从而绕开传统 diffusion 逐步积分的高成本。

9.3 Latent Consistency Models：把 CFG 蒸进 latent diffusion 体系

真正和现代文本生成图像工作流贴得很近的是 2023 年的 Latent Consistency Models (LCM)。[6]

LCM 很关键的一句话是：

它是从预训练的 classifier-free guided diffusion models 高效蒸馏出来的。

换句话说，teacher 本身就带着 CFG 的行为。
学生模型学习的是：

teacher 做完 guidance 之后的结果

于是推理阶段就不必再显式执行：

一次 conditional 前向
一次 unconditional 前向
线性组合

学生模型已经把“有 guidance 的好处”折进自己参数里了。

9.4 Adversarial Diffusion Distillation：把 few-step 做到更激进

2023 年的 Adversarial Diffusion Distillation (ADD) 更进一步，把 few-step / one-step 的质量继续往上推。[8]

它利用预训练 diffusion 模型作为 teacher signal，再加上 adversarial loss，目标是在极少步数下依然维持高质量图像。

所以如果把这一整条线串起来，你会得到一个很清晰的演化逻辑：

先有多步 diffusion
-> 再有 CFG，让条件生成更强
-> 再有蒸馏，把“多步 + CFG 的能力”压缩进少步学生模型
-> 最后出现 few-step / one-step 的实用系统

这也是为什么今天很多快速模型虽然表面上“不再跑传统 CFG”，但它们背后的 teacher 往往仍然深受 CFG 体系影响。

10. 最近两年的一些延伸：大家在改进 CFG 的什么

如果说 2021 到 2023 年的主线是“把 CFG 变成标准件”，那么 2024 到 2025 年的很多工作则是在回答：

CFG 很有用，但它到底哪里还不够好？

10.1 Self-Attention Guidance：不用额外条件，也能做训练自由的引导

Hong 等人在 Self-Attention Guidance 中提出，除了 classifier guidance 和 CFG 之外，还可以利用模型内部 self-attention 信息来做 guidance。[9]

这个方向的重要意义在于：

guidance 不一定非得来自外部分类器
guidance 也不一定非得来自条件 dropout 训练
可以从模型内部结构本身提取“纠偏信号”

10.2 PAG：把 guidance 扩展到无条件与下游任务场景

2024 年的 Perturbed-Attention Guidance (PAG) 则进一步展示：
即使在 unconditional generation 或某些 CFG 不方便使用的任务里，也可以通过扰动 attention 构造 guidance 信号。[10]

这说明一个更大的趋势：

“guidance” 已经不再只是一条固定公式，而是在演化成一个更宽的推理控制框架。

10.3 CFG++：讨论 vanilla CFG 的 off-manifold 问题

2025 年的 CFG++ 指出，传统 CFG 的一些副作用并不一定是 diffusion 本身的问题，而可能和 CFG 把采样轨迹推离数据流形有关。[7]

这类工作之所以值得关注，是因为它们开始从“经验调 scale”走向：

更系统地理解 CFG 为什么有效
更具体地解释 CFG 为什么会失真
更有针对性地修复它的缺点

11. 一张总图，把整条知识脉络串起来

DDPM / score-based diffusion
  先学会从噪声中恢复“自然样本”
  核心对象是 p(x) 或其 score

        |
        v

Classifier Guidance (2021)
  用无条件 diffusion 提供 p(x)
  再训练噪声分类器提供 ∇ log p(c|x_t)
  条件 score = 无条件 score + 分类器梯度

        |
        v

Classifier-Free Guidance (2021/2022)
  不再训练分类器
  通过条件 dropout 让同一模型同时学会：
    ε(x_t, t, c)
    ε(x_t, t, ∅)
  采样时做：
    ε_cfg = ε_∅ + w (ε_c - ε_∅)

        |
        v

现代文本生成图像系统
  CFG 成为默认推理机制
  通过 guidance scale 控制 prompt 对齐和多样性

        |
        v

Few-step / Distillation 路线
  Progressive Distillation
  Consistency Models
  LCM
  ADD

  把“多步 + CFG”的效果蒸进学生模型

        |
        v

近期改进
  SAG / PAG / CFG++
  从训练自由 guidance、attention guidance、
  以及理论修正等角度继续优化 CFG

12. 一个最常见的误区

很多教程会把 CFG 说成：

“就是条件减去无条件，再乘一个 scale。”

这当然没错，但如果只停在这一步，会漏掉最关键的理解：

ε_cond - ε_uncond 不是一个拍脑袋的 engineering trick，
它来自贝叶斯公式下“分类器梯度 = 条件 score - 无条件 score”的推导。

也就是说，CFG 不是“经验上好用的 hack”，而是一个有明确 probabilistic 来历、又极度工程友好的近似方案。

它真正厉害的地方在于：

数学上和 classifier guidance 是一脉相承的
工程上却省掉了最麻烦的那个分类器
还顺手把条件接口扩展成了任意 embedding

这就是为什么它几乎成为现代 diffusion 条件生成的默认答案。

13. 总结

如果只用一句话总结整条脉络，我会写成：

Classifier Guidance 证明了 diffusion 可以被“引导”；
Classifier-Free Guidance 则把这种引导从一个昂贵、受限的两模型系统，变成了一个几乎所有条件 diffusion 都能直接使用的标准模块。

更具体地说：

无条件 diffusion 只学 p(x)，不知道用户要什么。
Classifier Guidance 用额外分类器给出 \nabla \log p(c|x_t)，第一次把条件引导明确做进 diffusion 采样。
CFG 发现这个分类器梯度可以由“条件 score - 无条件 score”替代，于是只靠一个模型、两次前向就能完成引导。
CFG 因为简单、通用、兼容文本条件，最终成为文本生成图像时代的主流。
后续的蒸馏与 consistency 路线，又把“多步 + CFG”的能力进一步压缩进 few-step 模型。

所以从历史上看，CFG 不是 diffusion 里的一个小技巧，它几乎就是现代条件 diffusion 能真正大规模落地的关键转折点之一。

参考资料

Ho, Jain, Abbeel. Denoising Diffusion Probabilistic Models. NeurIPS 2020.
Paper
Dhariwal, Nichol. Diffusion Models Beat GANs on Image Synthesis. NeurIPS 2021.
Paper
Ho, Salimans. Classifier-Free Diffusion Guidance. NeurIPS 2021 Workshop / OpenReview.
OpenReview
Salimans, Ho. Progressive Distillation for Fast Sampling of Diffusion Models. ICLR 2022.
arXiv
Song, Dhariwal, Chen, Sutskever. Consistency Models. ICML 2023.
PMLR
Luo, Tan, Huang, Li, Zhao. Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference. 2023.
arXiv
Chung, Kim, Park, Nam, Ye. CFG++: Manifold-constrained Classifier Free Guidance for Diffusion Models. ICLR 2025.
OpenReview
Sauer, Lorenz, Blattmann, Rombach. Adversarial Diffusion Distillation. 2023.
arXiv
Hong, Lee, Jang, Kim. Improving Sample Quality of Diffusion Models Using Self-Attention Guidance. ICCV 2023.
Paper
Ahn et al. Self-Rectifying Diffusion Sampling with Perturbed-Attention Guidance. ECCV 2024 / arXiv.
arXiv

Share on

Twitter Facebook LinkedIn

1. 起点：无条件 Diffusion 学的只是 p(x)