Analysis of Classifier-Free Guidance Weight Schedulers

分类器自由引导（CFG）可以增强文本到图像扩散模型的质量和条件遵从性。它通过使用固定权重结合有条件和无条件的预测来运作。然而，最近的研究在扩散过程中变化权重，报告了更好的结果，但没有提供任何原理或分析。通过进行全面的实验，本文提供了CFG权重调度器的见解。我们的发现表明，简单的单调递增权重调度器始终可以带来改进的性能，只需要一行代码即可实现。此外，更复杂的参数化调度器可以被优化以进一步改善，但不能在不同的模型和任务中推广使用。

本文旨在探究Classifier-Free Guidance (CFG)权重调度程序的有效性和最佳实践，以提高文本到图像扩散模型的性能和条件遵从性。

本文提出了一种简单的、单调递增的权重调度程序，可以在不同的模型和任务中提高性能。此外，复杂的参数化调度程序可以进一步优化性能，但不具有通用性。

本文通过全面的实验，提供了CFG权重调度程序的洞察力。作者发现，简单的、单调递增的权重调度程序可以始终提高性能，只需要一行代码。此外，复杂的参数化调度程序可以进一步优化性能，但不具有通用性。

在最近的相关研究中，一些学者已经尝试改进CFG权重调度程序。例如，一些学者已经尝试在扩散过程中使用动态权重调度程序，以进一步提高性能。