论文页面 - 阐明扩散概率模型的 SNR-t 偏差

来源：https://huggingface.co/papers/2604.16044

摘要

扩散概率模型在推理阶段存在 SNR-timestep 偏差，本文通过一种“按频率分量分别处理”的微分校正方法解决该问题，在几乎不增加计算量的前提下，显著提升多种模型的生成质量。

扩散概率模型（Diffusion Probabilistic Models）在各类生成任务中表现卓越，但我们发现它们普遍存在信噪比-时间步（SNR-t）偏差。该偏差指去噪样本的 SNR 与其对应时间步在推理阶段出现错位。训练时，样本的 SNR 与时间步严格绑定；推理时这一对应关系被破坏，导致误差累积，损害生成质量。我们通过大量实验与理论分析验证该现象，并提出一种简单高效的微分校正方法予以缓解。考虑到扩散模型在反向去噪过程中通常先重建低频成分再补全高频细节，我们将样本分解为不同频率分量，并对各分量单独施加微分校正。广泛实验表明，该方法在几乎零额外计算的前提下，显著提升 IDDPM、ADM、DDIM、A-DPM、EA-DPM、EDM、PFGM++ 及 FLUX 等多种扩散模型在不同分辨率数据集上的生成质量。代码开源地址：
https://github.com/AMAP-ML/DCW

查看 arXiv 页面（https://arxiv.org/abs/2604.16044）
查看 PDF（https://arxiv.org/pdf/2604.16044）
GitHub 71（https://github.com/AMAP-ML/DCW）
加入收藏

在本地代理中阅读：

hf papers read 2604.16044

尚未安装最新 CLI？
curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0

暂无模型引用

在模型 README.md 中引用 arxiv.org/abs/2604.16044 即可在此处显示。

引用该论文的数据集 0

暂无数据集引用

在数据集 README.md 中引用 arxiv.org/abs/2604.16044 即可在此处显示。

引用该论文的 Spaces 0

暂无 Spaces 引用

在 Space README.md 中引用 arxiv.org/abs/2604.16044 即可在此处显示。

收录该论文的合集 3