Guida Adattiva al Manifold Migliora il Campionamento Diffusivo

Un nuovo articolo su arXiv propone Adaptive Manifold Guidance (AdaMaG), un metodo plug-and-play che corregge le violazioni della conservazione della probabilità nella guida senza classificatore per modelli generativi basati su diffusione e flusso. Gli autori analizzano la guida attraverso l'equazione di continuità, mostrando che i metodi basati su estrapolazione rompono la conservazione della probabilità e portano i campioni fuori dal manifold appreso sotto guida forte. Dimostrano che il termine di divergenza nella guida esplode vicino al manifold dei dati, motivando uno schedule dipendente dal tempo e un'attenuazione parallela al punteggio. AdaMaG limita entrambi i termini senza costi di inferenza aggiuntivi, offrendo un'alternativa basata su principi alle combinazioni lineari euristiche di velocità o punteggi.