arXiv cs.AI· Yunwei Bai, Ying Kiat Tan, Tsuhan Chen·· 10 小时前AI 评分34
PEEK：面向扩散模型采样的一步前瞻曝光偏差校正
PEEK: One-Step-Look-Ahead Exposure Bias Correction for Diffusion Sampling
AI 导读
PEEK 是一种无需训练的确定性采样器插件，通过在每个去噪步骤先做一次临时单步更新、在前瞻状态上评估去噪器，再与下一步预测插值形成下一噪声状态，以缓解扩散采样的曝光偏差。在 8 个像素空间与潜空间扩散模型（无条件、标签引导、文本引导）上，PEEK 相对 NFE 匹配基线将 FID 最高改善 49.3%，每模型一次性校准耗时最多 2.2 分钟。
正文 · AI 翻译
摘要：扩散图像生成器之所以成功，得益于精确的去噪网络和强大的数值采样器。然而，这两个组件并未完全匹配。在采样过程中，去噪器基于与真实数据差异很大的有缺陷输入来预测下一步。这种训练-测试差距，即暴露偏差，限制了图像生成质量（即模糊、缺乏细节或形状不自然）。为缓解该问题，我们提出 PEEK，一种新颖的免训练确定性采样器插件。在每个符合条件的去噪步骤中，PEEK 首先执行一次临时的单步更新，在前瞻状态下对去噪器评估一次，并将其与再晚一步的预测进行插值，以形成下一个噪声状态。通过采取额外的步骤，我们从更高信噪比的噪声状态中获得通常更接近图像的预测，从而缓解暴露偏差。为优化插值位置，PEEK 搜索插值调度，并通过前缀和基线噪声调度重基准缓存使其高效。在 8 个像素空间和潜空间扩散模型上，涵盖无条件、标签引导和文本引导设置以及各种输出分辨率，PEEK 在 NFE 匹配的基线上持续改进，FID 提升最高达 49.3\%，且额外计算成本极小（例如，在我们的实验中，每个模型的一次性校准最多耗时 2.2 分钟）。项目网站为 此 https URL。
| 评论： | 已被 Neurips 2026 接收 |
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2611.05407 [cs.CV] |
| （或 arXiv:2611.05407v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05407 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yunwei Bai [查看电子邮件]
[v1]
2026年10月20日星期二 23:05:10 UTC (12,579 KB)
来源：arXiv cs.AI · arxiv.org