上交大与 vivo 团队提出 C²FG：基于分数差异分析实现 Diffusion 动态引导

事件概述

上海交通大学与 vivo BlueImage Lab 研究团队在 CVPR 2026 提出了名为 C²FG (Control Classifier Free Guidance via Score Discrepancy Analysis) 的新方法。该研究针对当前 Diffusion 模型在大规模应用中存在的“生成不稳定”和“可控性不足”痛点，指出传统固定引导（Fixed Guidance）策略忽略了生成过程中条件依赖的动态变化，导致早期引导过强或后期约束不足。

核心机制：动态引导控制

C²FG 的核心创新在于摒弃了固定的引导系数，转而利用**分数差异分析（Score Discrepancy Analysis）**来动态调整引导强度：

• 早期阶段：条件分支与无条件分支的分数差异极小，若此时使用强引导易产生偏差，C²FG 会自动减弱引导。
• 后期阶段：随着生成过程推进，两者差异迅速增大，模型急需条件信息将分布拉回目标区域，C²FG 则自动增强引导以确保准确性。
  这种机制使得生成过程在不同时间步都能获得最合适的约束，从而更贴合真实的扩散动态。

关键实验数据与结论

研究团队在多种模型架构和任务设置下进行了系统性验证，主要结果如下：

1. ImageNet 生成任务

• DiT 模型：引入 C²FG 后，FID 从 2.29 降至 2.07，IS 从 276.8 提升至 291.5，Recall 从 0.57 升至 0.59。这表明在保持高精确度（Precision 0.83）的同时，显著提升了图像的清晰度和多样性。
• SiT-XL/2（强模型）：在基线 FID 已达 1.80 的高性能水平下，C²FG 进一步将其压至 1.51，IS 从 284.0 提升至 315.0。这证明了即使模型能力接近极限，改进仍主要来自引导机制而非模型本身。

2. 复杂场景与泛化能力

• 高分辨率任务（512×512）：FID 从 6.81 降至 6.54，IS 从 229.5 提升至 280.9，证实方法在困难条件下依然有效。
• 文本生成图像：U-ViT 的 FID 从 5.37 降至 5.28；Stable Diffusion 的 CLIP 分数从 31.8 提升至 31.9，显示对文本条件的有效性。
• 像素空间任务：在强 Baseline 下 FID 已低至 1.04，C²FG 仍能进一步降至 1.03，说明误差来源确系引导方式。

3. 推理效率与极端情况

• 少步数推理：在 20 步甚至更少步数的设置下，C²FG 带来的性能提升比 50 步时更为显著。这意味着在计算资源受限或追求速度的场景下，动态引导能有效减少累积误差。
• Toy 实验：二维分布测试显示，传统方法易产生偏离目标分布的异常样本（Outliers），而 C²FG 生成的分布更贴近真实目标，无异常点。

研究意义

该研究不仅是一个技术修补，更代表了生成式 AI 发展范式的转变：

1. 从规模驱动转向机制驱动：证明提升效果不一定依赖更大的模型或更多数据，而是可以通过优化生成过程中的控制机制实现。
2. 修正本质认知：揭示了条件引导在扩散过程中必须随时间变化的客观规律，为后续算法设计提供了理论依据。
3. 应用价值：动态引导机制有望让未来的图像生成工具在速度更快、设备要求更低的情况下，提供更稳定、细节更丰富的生成结果。