Tag · 15 篇
扩散采样
VDE：通过速度分解与估计实现整流流模型的免训练加速
VDE: Training-Free Accelerating Rectified Flow Model via Velocity Decomposition and Estimation
把整流流模型的速度场拆成平行/正交分量做输入自适应估计，替代静态特征缓存，可直接套到 Flux、Qwen-Image 等扩散/流匹配采样器上做免训练少步加速。
通过空文本嵌入优化实现文本到图像扩散模型的测试时对齐
Test-Time Alignment of Text-to-Image Diffusion Models via Null-Text Embedding Optimisation
把测试时对齐的作用点从潜变量或噪声改到无分类器引导的无条件文本嵌入上，利用文本嵌入空间的语义结构约束优化轨迹，可直接复用到任何需要奖励微调或偏好对齐的扩散采样流程中，并缓解奖励攻击。
TAP：面向无训练扩散加速的词元自适应预测器框架
TAP: A Token-Adaptive Predictor Framework for Training-Free Diffusion Acceleration
把「逐词元自适应选择预测器」作为即插即用的无训练加速模块，可直接套到已有扩散/流匹配采样器上，用首层单次前向作为低成本探针来分配不同阶数/视野的泰勒外推，替代全局固定缓存策略。
ManifoldGD：面向扩散式数据集蒸馏的免训练层次流形引导
ManifoldGD: Training-Free Hierarchical Manifold Guidance for Diffusion-Based Dataset Distillation
把每个去噪步的引导向量投影到由 IPC 质心邻域估计的局部切空间上，是一种可复用的免训练采样约束手段，可直接迁移到任何需要保持语义一致性的扩散引导或条件生成流程中。
以弱到强分段引导提升扩散模型泛化能力
Improving Diffusion Generalization with Weak-to-Strong Segmented Guidance
把 CFG 与 AutoGuidance 统一到弱到强原则下，给出何时该用哪种引导的判据，并提出 SEG 混合引导；做扩散采样或引导调参时可直接替换 CFG，也可把该原则写进训练目标以提升无引导模型的泛化。
通过交换词元引导扩散模型
Guiding a Diffusion Model by Swapping Its Tokens
把 CFG 的「条件-无条件」差分替换为「干净预测-词元交换扰动预测」的差分，使无条件和条件扩散模型都能在推理阶段获得保真度提升，且无需训练、可直接插入任意扩散模型。
引导 token 稀疏扩散模型
Guiding Token-Sparse Diffusion Models
对在稀疏 token 上训练的扩散模型，用 token 级稀疏性替代条件 dropout 作为引导信号，可在推理时以更少 FLOPs 获得更高保真度与条件预测方差，可直接替换现有 CFG 采样流程。
用语义退化条件引导扩散模型
Guiding Diffusion Models with Semantically Degraded Conditions
CDG 提出用语义退化条件替代空提示词作为负样本，为扩散模型引导提供了一种无需训练、即插即用的改进方案，可直接用于提升文本到图像生成的组合准确性和图文对齐。
通过实例感知离散化的少步扩散采样
Few-Step Diffusion Sampling Through Instance-Aware Discretizations
提出实例感知的离散化框架，根据输入自适应分配采样时间步，可即插即用于扩散/流匹配模型的少步采样，在像素空间、潜空间图像和视频生成中提升质量且推理开销可忽略。
能量波动化与再分配用于测试时自适应：一个控制系统的视角
Energy Waveify and Redistribution for Test-Time Adaptation: A Control System Perspective
用复值波函数与概率流守恒替代朗之万/蒙特卡洛迭代采样来更新能量模型，可作为一种免随机采样的测试时自适应模块，直接插入依赖能量模型的视觉分类或分割流程中以降低自适应延迟。
厘清扩散概率模型的 SNR-t 偏差
Elucidating the SNR-t Bias of Diffusion Probabilistic Models
指出推理阶段去噪样本的 SNR 与时间步错配会导致误差累积，并给出按频率分量分别做差分校正的免训练修正手段，可直接插入现有扩散采样器（DDIM、EDM、FLUX 等）以提升生成质量。
扩散采样路径透露更多：一种高效的即插即用样本筛选策略
Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering
提出用 CFG 过程中条件与无条件分数的累积差异（ASD）作为样本质量的无监督代理指标，可在去噪早期直接拒绝低质量样本，无需外部奖励模型或重训练；做文生图采样加速与质量筛选时可直接嵌入现有采样循环。
面向免训练多视图图像编辑的耦合扩散采样
Coupled Diffusion Sampling for Training-Free Multi-View Image Editing
提出耦合扩散采样：同时从多视图生成分布与2D编辑分布采样两条轨迹并用耦合项连接，使预训练2D编辑模型在采样过程中引导多视图生成模型，从而免训练地获得跨视图一致的编辑结果，可复用于视频/多视图一致生成。
C^2FG：通过分数差异分析控制无分类器引导
C^2FG: Control Classifier-Free Guidance via Score Discrepancy Analysis
把 CFG 的引导权重从固定/启发式改为随扩散时间步指数衰减的控制函数，且免训练、即插即用，可直接替换现有条件扩散采样器中的 guidance 调度，用于提升条件生成质量并与其他引导策略正交叠加。
AnchorFlow：基于潜变量锚点对齐流的免训练三维编辑
AnchorFlow: Training-Free 3D Editing via Latent Anchor-Aligned Flows
把扩散采样中随 timestep 变化的噪声视为潜变量锚点不一致的根源，用源/目标轨迹共享的全局潜变量锚点加松弛对齐损失来稳定编辑方向；做 3D 生成或编辑时可直接借用这一「锚点对齐更新规则」来抑制采样漂移，且无需掩码监督即可保持几何保真。