当前位置：首页 > news >正文

Classifier guidance与Classifier-free guidance的原理和公式推导

news 2025/7/13 7:06:44

（Double童发发——学习笔记二）Classifier guidance与Classifier-free guidance的原理和公式推导

文章目录

- （Double童发发——学习笔记二）Classifier guidance与Classifier-free guidance的原理和公式推导
- 1. 原理
- 2. 代码
- 参考

1. 原理

Classifier Guidance与Classifier-Free Guidance方法的目标是一样的，即把一个非条件生成模型变成一个条件生成模型：

$P(x)→P(x∣y)P(x)\rightarrow P(x|y)$

比如，在DDPM中的逆向过程为：

$q(xt−1∣xt,x0)=N(xt−1;μ~t(xt,x0),β~tI),whereμ~t(xt,x0):=αˉt−1βt1−αˉtx0+αt(1−αˉt−1)1−αˉtxtandβ~t:=1−αˉt−11−αˉtβt\begin{aligned}q(\mathbf{x}_{t-1}|\mathbf{x}_t,\mathbf{x}_0)&=\mathcal{N}(\mathbf{x}_{t-1};\tilde{\boldsymbol{\mu}}_{t}(\mathbf{x}_{t},\mathbf{x}_{0}),\tilde{\beta}_{t}\mathbf{I}),\\\mathrm{where}\quad\tilde{\mu}_{t}(\mathbf{x}_{t},\mathbf{x}_{0})&:=\frac{\sqrt{\bar{\alpha}_{t-1}}\beta_t}{1-\bar{\alpha}_t}\mathbf{x}_0+\frac{\sqrt{\alpha_t}(1-\bar{\alpha}_{t-1})}{1-\bar{\alpha}_t}\mathbf{x}_t\quad\mathrm{and}\quad\tilde{\beta}_t:=\frac{1-\bar{\alpha}_{t-1}}{1-\bar{\alpha}_t}\beta_t\end{aligned}$

如果我们加上一个条件 $y$ ，如文本，做文生图任务：

$q(x_{t-1}|x_{t},x_{0},y)$

这个过程可以用贝叶斯公式，全概率公式等等进行推导，但是比较复杂。可以通过score function直观地解释（因为score和 $ϵ\epsilon$ 的等价关系，可见论文Understanding Diffusion Models: A Unified Perspective)，用贝叶斯定理将条件生成概率进行对数分解：

IMG_20250712_155858_edit_1502156968957246

这就是Classifier Guidance。从上式可以看到，Classifier Guidance条件生成只需额外添加一个classifier的梯度来引导。从成本上看，Classifier Guidance 需要训练噪声数据版本的classifier网络，推理时每一步都需要额外计算classifier的梯度。

Diffusion Models Beat GANs on Image Synthesis通过详细的数学推导，总结DDPM和DDIM对应的classifier guidance diffusion算法如下：

我们通常会在这个classifier的梯度前加上一个权重系数 $ω\omega$ 来调控这个分类器对整个生成过程的影响，也就是说这个 $ω\omega$ 的值越大，生成结果与条件 $y$ 更符合，但是生成图像的多样性就会下降；相反，如果取一个更小的 $ω\omega$ 的值，就会导致生成的结果与条件 $y$ 的偏离性更大，但是多样性更丰富。接着上面推导Classifier-Free Guidance：

IMG_20250712_162820_edit_1503405782894556

Classifier-Free Guidance中需要训练两个模型，第一个就是带条件的模型预测带条件的噪声，还需要一个模型预测不带条件的噪声（这里替换回了 $ϵ\epsilon$ ），这是不需要分类器的代价。但实际上，这两个模型共用一套参数，在训练时，50%的概率将 $y→ϕy\rightarrow\phi$ 。通过这种方式可以同时训练一个参数 $θ\theta$ ，同时实现条件生成和非条件生成。

严谨的公式推导可以看知乎的文章：

Classifier-Free Guidance的核心是通过一个隐式分类器来替代显示分类器，而无需直接计算显式分类器及其梯度。根据贝叶斯公式，分类器的梯度可以用条件生成概率和无条件生成概率表示：

把上面的分类器梯度代入到Classifier Guidance的分类器梯度中可得：

由上可知，新的生成过程不再依赖显示的classifier，因而解决了Classifier Guidance的问题。

总的来说，训练时，Classifier-Free Guidance需要训练两个模型，一个是无条件生成模型，另一个是条件生成模型。但这两个模型可以用同一个模型表示，训练时只需要以一定概率将条件置空即可。

推理时，最终结果可以由条件生成和无条件生成的线性外推获得，生成效果可以引导系数可以调节，控制生成样本的逼真性和多样性的平衡。

2. 代码

if self.do_classifier_free_guidance:noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)noise_pred = noise_pred_uncond + self.guidance_scale *(noise_pred_text - noise_pred_uncond) #这个公式就是上面我们推导出来的公式