Manifold Preserving Guided Diffusion

尽管近年来条件图像生成取得了进展，但它仍然面临成本、普适性和需要特定任务训练的挑战。本文提出了一种名为 Manifold Preserving Guided Diffusion (MPGD) 的无需训练的条件生成框架，它利用预训练的扩散模型和现成的神经网络，在最小化的附加推断成本下，适用于广泛的任务。具体而言，我们利用流形假设来优化引导扩散步骤，并在此过程中引入了一种快捷算法。然后，我们提出了两种在流形上无需训练的引导方法，使用预训练的自编码器，并证明了我们的快捷算法在应用于潜在扩散模型时固有地保持流形。我们的实验表明，MPGD 在低计算设置中高效且有效地解决了各种条件生成应用，并且相对于基线模型，可以始终提供高达3.8倍的加速，同时保持高样本质量。

论文旨在提出一种训练-free的条件图像生成框架，以解决条件图像生成面临的成本、泛化性和需要特定任务训练的挑战。

论文提出了Manifold Preserving Guided Diffusion (MPGD)框架，该框架利用预训练的扩散模型和现成的神经网络，在最小的附加推理成本下，为广泛的任务提供条件生成解决方案。具体而言，论文利用流形假设来改进引导扩散步骤，并在过程中引入了一种快捷算法。然后，论文提出了两种基于流形的训练-free引导方法，使用预训练的自动编码器，并证明了我们的快捷方式在应用于潜在扩散模型时本质上保留了流形。

论文的亮点包括：1）提出了训练-free的条件图像生成框架，可在低计算量的环境下高效地解决各种条件生成应用；2）提出了基于流形的训练-free引导方法，使用预训练的自动编码器；3）在实验中，MPGD可以在相同的扩散步骤下提供高质量的样本，并且可以始终提供高达3.8倍的加速比。论文使用了多个数据集，并且代码已经开源。

在最近的相关研究中，还有一些与本文相关的论文，如：1）《Improved Techniques for Training GANs》；2）《A Style-Based Generator Architecture for Generative Adversarial Networks》；3）《Image-to-Image Translation with Conditional Adversarial Networks》。