摘要
本文提出了一种名为模型引导（Model-guidance, MG）的新目标函数，用于训练扩散模型，该方法有效解决了传统上广泛使用的无分类器引导（Classifier-free Guidance, CFG）机制的依赖问题。我们的创新方法突破了仅建模数据分布的常规范式，引入了条件后验概率的建模，从而实现更精准的生成控制。所提出的MG技术源于CFG的核心思想，但设计简洁且效果显著，可作为即插即用模块无缝集成至现有模型中。实验结果表明，该方法显著加速了训练过程，推理速度提升一倍，并在生成质量上达到卓越表现，全面超越甚至优于采用CFG的同期扩散模型。在多种模型与数据集上的大规模实验验证了该方法在有效性、效率与可扩展性方面的优势。最终，我们在ImageNet 256基准上实现了当前最优的性能，FID指标达到1.34。相关代码已开源，地址为：https://github.com/tzco/Diffusion-wo-CFG。