Probability-Conserving Flow Guidance
概率守恒流形引导：自适应流形引导方法AdaMaG
🧭 扩散模型引导 · 概率守恒
University of Bristol · KAIST
提出零推理成本的AdaMaG，通过散度与分数平行项衰减，在流扩散生成中保持概率守恒，解决CFG强引导下的饱和与伪影。
📌 工作参考价值
- 扩散生成式推荐/内容生成的引导优化：若使用扩散模型生成电商文案或创意，强条件引导常导致失真，可直接用AdaMaG替换CFG组合公式，不增加推理耗时，保持生成质量与条件符合度。
- 引导问题的理论分析框架：基于连续性方程分解的散度项和分数平行项，可迁移分析文本扩散模型中引导过强的崩塌现象，帮助设计衰减策略。
- 时间依赖调度即插即用：AdaMaG的时间衰减调度是独立于模型的、无需重训练的启发式规则，可在现有流匹配/扩散管道中直接嵌入，适合快速落地验证。
- 可控生成与真实度平衡：强约束场景（如节日大促风格控制）下，可利用分数平行项衰减控制去饱和程度，稳定生成质量。
动机：现有扩散/流模型的Classifier-Free Guidance (CFG) 为线性速度/分数组合，忽略生成流形几何，强引导下破坏概率守恒，使采样轨迹偏离数据流形，导致过饱和与幻觉。
方法：通过连续性方程解析引导对概率流的影响，将引导效应分解为散度项和分数平行项，二者在参数化变换下不变。理论证明采样靠近数据流形时散度项结构发散，据此提出自适应流形引导 (AdaMaG)：引入时间依赖的衰减调度以压制散度项，同时衰减分数平行项防止偏离流形，计算零开销。推导表明多数减轻CFG饱和的启发式方法可统一为该分解下的对应操作。
结果：在图像生成基准上，AdaMaG显著提升高引导强度下的真实感，减少伪影与幻觉，实现可控的去饱和。