arXiv · 机器人与计算机视觉· Xiang Li, Yixuan Jia, Xiao Li, Jeffrey A. Fessler, Rongrong Wang, Qing Qu·· 28 天前AI 评分65
MCLR:通过类间似然比最大化和统一无分类器引导与对齐目标改进条件建模
MCLR: Improving Conditional Modeling via Inter-Class Likelihood-Ratio Maximization and Unifying Classifier-Free Guidance with Alignment Objectives
AI 导读
论文提出 MCLR 微调目标,旨在解决标准去噪分数匹配中类间分离不足的问题,从而在无需依赖推理时干预的情况下增强扩散模型的条件生成能力。作者证明 CFG 引导分数是该目标的唯一最小化器,并将 CFG 解释为隐式的推理时对比对齐过程。材料还比较了 MCLR 与 DPO、CCA 等对比目标的关系。
来源:arXiv · 机器人与计算机视觉 · arxiv.org