Diffusion guidance 研究汇总，深度解构生成模型关键技术演进：

• 收录近三年顶会及预印本论文，涵盖NeurIPS、ICLR、ICML、CVPR、AAAI等权威期刊与会议；
• 重点方法包括：无分类器指导（Classifier-Free Guidance）、训练自由指导（Training-Free Guidance）、非线性校正、大规模采样加速、原型学习、条件分布修正等；
• 新兴思路：利用差分模型自身“欠拟合版本”辅助指导、多模态生成流训练自由控制，突破维度诅咒限制；
• 多篇论文提出分解指导更新项、正交投影约束、信息熵修正与几何滤波技术，显著提升图像质量与多样性，抑制过饱和和伪影；
• 最新研究强调动态调节指导强度、时序编码辅助采样，支持无条件与多条件联合生成，兼顾采样速度与效果平衡；
• 开源代码和范例持续更新，鼓励社区贡献，形成活跃知识库，助力扩展扩散模型在图像合成、分子设计、文本到图像等领域应用。

聚焦扩散模型指导策略的复杂性与高效性，理解其背后数学结构和优化路径，为长期研究和工业实践提供系统参考。

详情🔗 github.com/charrywhite/Awesome-Diffusion-Guidance
#扩散模型# #生成模型# #机器学习# #计算机视觉# #人工智能#