Studiare la Guida Classificatore(-Free) da una Prospettiva Centrata sul Classificatore
Studying Classifier(-Free) Guidance From a Classifier-Centric Perspective
March 13, 2025
Autori: Xiaoming Zhao, Alexander G. Schwing
cs.AI
Abstract
La guida senza classificatore è diventata un elemento fondamentale per la generazione condizionale con modelli di diffusione di denoising. Tuttavia, una comprensione completa della guida senza classificatore è ancora mancante. In questo lavoro, conduciamo uno studio empirico per offrire una nuova prospettiva sulla guida senza classificatore. Nello specifico, invece di concentrarci esclusivamente sulla guida senza classificatore, risaliamo alla radice, ovvero alla guida con classificatore, individuiamo l'assunzione chiave per la derivazione e conduciamo uno studio sistematico per comprendere il ruolo del classificatore. Scopriamo che sia la guida con classificatore che quella senza classificatore raggiungono la generazione condizionale spingendo le traiettorie di diffusione di denoising lontano dai confini decisionali, ovvero aree in cui le informazioni condizionali sono solitamente intrecciate e difficili da apprendere. Basandoci su questa comprensione centrata sul classificatore, proponiamo un passaggio di post-elaborazione generico basato sul flow-matching per ridurre il divario tra la distribuzione appresa da un modello di diffusione di denoising pre-addestrato e la distribuzione reale dei dati, principalmente intorno ai confini decisionali. Esperimenti su vari dataset verificano l'efficacia dell'approccio proposto.
English
Classifier-free guidance has become a staple for conditional generation with
denoising diffusion models. However, a comprehensive understanding of
classifier-free guidance is still missing. In this work, we carry out an
empirical study to provide a fresh perspective on classifier-free guidance.
Concretely, instead of solely focusing on classifier-free guidance, we trace
back to the root, i.e., classifier guidance, pinpoint the key assumption for
the derivation, and conduct a systematic study to understand the role of the
classifier. We find that both classifier guidance and classifier-free guidance
achieve conditional generation by pushing the denoising diffusion trajectories
away from decision boundaries, i.e., areas where conditional information is
usually entangled and is hard to learn. Based on this classifier-centric
understanding, we propose a generic postprocessing step built upon
flow-matching to shrink the gap between the learned distribution for a
pre-trained denoising diffusion model and the real data distribution, majorly
around the decision boundaries. Experiments on various datasets verify the
effectiveness of the proposed approach.