09:41arXiv cs.LG@Jagriti Singh, Shekhar Verma, Muneendra Ojha标准分类器引导的扩散模型倾向于生成高密度类均值附近的样本,导致对尾部罕见样本的覆盖不足。现有方法通过训练额外的低密度分类器来解决,但增加了计算成本。本文提出一种纯采样阶段的密度感知方法,无需额外训练,通过修改反向扩散动力学,利用分类器梯度将轨迹引向低置信区域,同时引导采样接近真实数据流形。在ImageNet 64x64分辨率下,该方法一致提升了ADM模型的召回率,同时保持可比的FID分数;在256x256分辨率下,视觉结果显示了不同引导组合的效果。这项工作为生成模型的长尾覆盖问题提供了一种轻量级解决方案。论文扩散模型分类器引导低密度区域探索长尾覆盖ImageNet推荐理由:做生成模型长尾覆盖或罕见样本生成的团队,无需额外训练就能提升模型对低密度区域的探索能力,建议直接参考其采样策略。原文