摘要

现有的大多数基于条件得分的数据生成方法利用贝叶斯定理，将对数后验密度的梯度分解为一系列得分的混合形式。这类方法有助于简化条件得分模型的训练过程，因为得分的混合形式可分别通过得分模型和分类器进行独立估计。然而，我们的分析表明，这些方法中分类器的训练目标可能导致严重的得分不匹配问题，即估计的得分与真实得分之间存在显著偏差。该问题会在扩散过程中导致生成样本受到偏离真实梯度的误导，从而降低采样质量。为解决此问题，我们提出了一种新型训练目标，称为去噪似然得分匹配（Denoising Likelihood Score Matching, DLSM）损失，用于引导分类器准确匹配真实对数似然密度的梯度。实验结果表明，所提出的方法在CIFAR-10和CIFAR-100两个基准测试中，于多个关键评估指标上均显著优于先前方法。因此，我们得出结论：通过采用DLSM损失，条件得分能够被更准确地建模，且得分不匹配问题的影响得到有效缓解。