論文の概要: C$^2$FG: Control Classifier-Free Guidance via Score Discrepancy Analysis

• arxiv url: http://arxiv.org/abs/2603.08155v1
• Date: Mon, 09 Mar 2026 09:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.738578
• Title: C$^2$FG: Control Classifier-Free Guidance via Score Discrepancy Analysis
• Title（参考訳）: C$^2$FG:Score Disrepancy Analysisによる制御分類自由誘導
• Authors: Jiayang Gao, Tianyi Zheng, Jiayang Zou, Fengxiang Yang, Shice Liu, Luyao Fan, Zheyu Zhang, Hao Zhang, Jinwei Chen, Peng-Tao Jiang, Bo Li, Jia Wang,
• Abstract要約: 自由誘導の固有力学を厳密に理論的に解析する。 C$2$FGは多種多様な生成タスクに対して有効で広く適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 25.481226578749418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifier-Free Guidance (CFG) is a cornerstone of modern conditional diffusion models, yet its reliance on the fixed or heuristic dynamic guidance weight is predominantly empirical and overlooks the inherent dynamics of the diffusion process. In this paper, we provide a rigorous theoretical analysis of the Classifier-Free Guidance. Specifically, we establish strict upper bounds on the score discrepancy between conditional and unconditional distributions at different timesteps based on the diffusion process. This finding explains the limitations of fixed-weight strategies and establishes a principled foundation for time-dependent guidance. Motivated by this insight, we introduce \textbf{Control Classifier-Free Guidance (C$^2$FG)}, a novel, training-free, and plug-in method that aligns the guidance strength with the diffusion dynamics via an exponential decay control function. Extensive experiments demonstrate that C$^2$FG is effective and broadly applicable across diverse generative tasks, while also exhibiting orthogonality to existing strategies.
• Abstract（参考訳）: 分類自由誘導(CFG)は近代的な条件付き拡散モデルの基盤であるが、固定的あるいはヒューリスティックな動的誘導重みへの依存は主に経験的であり、拡散過程の本質的なダイナミクスを見落としている。 本稿では,分類自由誘導の厳密な理論的解析を行う。 具体的には,拡散過程に基づいて,条件分布と非条件分布のスコア差に厳密な上限を定めている。 この発見は、固定ウェイト戦略の限界を説明し、時間依存ガイダンスの原則的基盤を確立する。 この知見に触発されて、指数減衰制御関数を介して誘導強度と拡散力学を整合させる新しい訓練不要なプラグイン法である \textbf{Control Classifier-Free Guidance (C$^2$FG)} を導入する。 大規模な実験では、C$^2$FGは様々な生成タスクに有効で広く適用可能である一方で、既存の戦略に直交性を示す。

関連論文リスト

• Stage-wise Dynamics of Classifier-Free Guidance in Diffusion Models [13.030934039187171]
  CFGは拡散モデルにおける条件の忠実度向上に広く用いられているが、サンプリング力学への影響はよく分かっていない。 CFGをマルチモーダル条件下で解析し,サンプリングプロセスが3段階に展開することを示す。 実験はこれらの予測を支持し、早期の強いガイダンスが世界的な多様性を損なう一方で、後期の強いガイダンスはきめ細かい変化を抑制することを示した。
  論文  参考訳（メタデータ） (2025-09-26T07:45:20Z)
• Discrete Diffusion Models: Novel Analysis and New Sampler Guarantees [70.88473359544084]
  離散拡散モデルに対する新たな解析的アプローチを導入し,正規性仮定の必要性を排除した。 標準的な$tau$-leaping法では、語彙サイズとともに線形にスケールするKL発散の収束保証を確立する。 我々のアプローチはより広く適用可能であり、他の広く使われているサンプルに対して最初の収束保証を提供する。
  論文  参考訳（メタデータ） (2025-09-20T17:42:29Z)
• Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
  自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。 本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。 分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
  論文  参考訳（メタデータ） (2025-07-07T21:14:27Z)
• Feedback Guidance of Diffusion Models [14.162420300295365]
  Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。 本稿では,FBG(FeedBack Guidance)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:46:32Z)
• Adaptive Diffusion Guidance via Stochastic Optimal Control [7.620124872188835]
  指導力と信頼性の関係を特徴付ける理論的な形式化を提供する。 次に,適応最適化問題としてガイダンススケジューリングを行う最適制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-25T23:34:10Z)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。