CARE：扩散模型的条件感知表示正则化

arXiv:2609.28561v1 公告类型：新 摘要：扩散模型的最新进展凸显了表示正则化对于提高样本质量和训练效率的重要性。然而，常用的正则化方法往往忽略了直接决定生成目标的内置条件（例如标签或文本）。在这项工作中，我们演示了条件信号如何影响特征分布，并引入了 CARE（条件感知表征正则化）。 CARE 是一个轻量级的即插即用正则化框架，可根据条件相似性动态调整特征分布。 CARE 利用内置调节信号明智地引导表示空间，在类似条件下促进更紧密的特征集群，而不依赖于显式对齐损失或外部监督。根据经验，CARE 持续提高了类到图像和文本到图像任务的视觉保真度和收敛稳定性。在 ImageNet 上，CARE 在 40 万个训练步骤中实现了 19.08\% 的 FID 减少，从而实现了 3.5$\times$ 的加速。当应用于文本到图像生成时，CARE 在 20 万次迭代中将 FID 降低了 16.61%，并改进了生成的样本和文本提示之间的语义对齐。此外，CARE 可以与现有的正则化方法无缝集成，从而产生额外的性能提升。