分离式无分类器引导技术（split-CFG）是一种用于扩散模型的条件生成方法，旨在通过混合条件和无条件模型的预测来提升生成质量。该技术的核心思想是不依赖显式的分类器来进行引导，而是通过调整扩散模型中的条件输入来实现类似的效果。
具体来说，分离式无分类器引导技术通过在训练过程中引入一个无条件模型，并在采样时结合条件和无条件模型的预测结果，从而生成高质量的输出。这种方法避免了传统分类器引导需要额外训练分类器的复杂性，简化了模型的训练过程。
此外，分离式无分类器引导技术还涉及使用CFG尺度（Classifier-Free Guidance Scale）来控制文本提示对扩散过程的影响程度。当CFG尺度设置为0时，生成过程完全无条件；而随着CFG尺度的增加，生成结果会越来越符合文本提示的要求。
分离式无分类器引导技术通过巧妙地结合条件和无条件模型的预测，实现了在不依赖显式分类器的情况下，有效提升生成模型的质量和可控性
声明：文章来源于网络，如有侵权请联系删除！