摘要
在条件扩散生成中，引导机制对于生成样本的质量和可控性至关重要。然而，现有的引导方案仍存在明显不足。一方面，主流方法如分类器引导（classifier guidance）和无分类器引导（classifier-free guidance）均需依赖带有标签数据的额外训练，不仅耗时，且难以适应新的条件场景；另一方面，无需训练的方法（如通用引导，universal guidance）虽然更具灵活性，但其性能尚未达到与前者相当的水平。在本工作中，通过对引导设计空间的系统性探索，我们发现：仅通过无需训练的方式，利用现成的预训练分类器，即可显著超越现有引导方案的性能，从而兼得高效率与高灵活性。基于“校准”这一通用原则，我们提出了一系列预处理技术，以更有效地利用预训练的现成分类器来引导扩散生成过程。在ImageNet数据集上的大量实验验证了所提方法的有效性，结果表明，采用现成分类器后，当前最先进的扩散模型（如DDPM、EDM、DiT）的性能可进一步提升高达20%，且几乎不增加额外计算开销。随着公开可用的预训练分类器日益丰富，本方法展现出巨大的应用潜力，可轻松扩展至文本到图像生成等任务。相关代码已开源，地址为：https://github.com/AlexMaOLS/EluCD/tree/main。