无训练指导（Training-Free Guidance， 简称 TFG）是一种全新的统一算法框架，由斯坦福大学、北京大学、清华大学等机构的研究团队于 2024 年联合提出，相关论文成果为「TFG: Unified Training-Free Guidance for Diffusion Models」，已被 NeurIPS 2024 接收为 Spotlight 。这一框架旨在解决扩散模型在条件生成领域的难题，即生成符合特定条件（如标签、属性或能量分布）的样本通常需要为每个目标训练专门的生成模型，这种方法不仅耗费资源，还限制了扩散模型的实际应用潜力。
TFG 框架的核心创新包括 3 个方面：
- 统一设计空间：TFG 提出了一个通用的无训练指导设计空间，将现有算法视为其特殊情况。这种统一视角不仅简化了对不同算法的比较，还通过扩展设计空间提升了性能。具体而言，TFG 基于多维超参数设计，涵盖了多种指导方法的变体，为任务适配提供了灵活性。
- 高效超参数搜索策略：为了应对多目标、多样化任务场景，TFG 引入了一种高效的超参数搜索策略。在此框架下，用户无需复杂的调参过程，通过自动化策略即可快速确定最优超参数组合，适配多种下游任务。
- 全面基准测试：TFG 框架在 7 种扩散模型上开展了广泛的实验，包括图像、分子、音频等 16 项任务和 40 个具体目标。实验结果显示，TFG 平均性能提升 8.5%，在多个任务中均超越现有最佳方法。