摘要

所提出的“判别器引导”（Discriminator Guidance）方法旨在提升预训练扩散模型的样本生成质量。该方法引入一个判别器，对去噪样本路径是否具有真实性提供显式监督。与生成对抗网络（GANs）不同，本方法无需联合训练得分网络与判别器网络。相反，我们先完成得分网络的训练，再单独训练判别器，从而确保判别器训练过程稳定且收敛迅速。在样本生成阶段，我们在预训练得分函数中添加一个辅助项，以欺骗判别器。该辅助项可将模型得分修正为在最优判别器下的数据得分，表明判别器以互补方式提升了得分估计的准确性。基于该算法，我们在 ImageNet 256×256 数据集上取得了当前最优的生成效果，FID 达到 1.83，召回率（recall）为 0.64，与验证集的 FID（1.68）和召回率（0.66）极为接近。相关代码已开源，地址为：https://github.com/alsdudrla10/DG。