概述
无分类器指导是一种使扩散模型真正遵循您的提示的技术，用一些多样性换取更强的依从性。它是几乎每个图像生成器中“指导刻度”滑块后面的单个转盘。
无分类器指导属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。
深入探讨
早期的引导扩散需要一个单独的分类器将样本推向所需的类别，这是脆弱的并且需要额外的训练。 Jonathan Ho 和 Tim Salimans 在 2022 年提出的无分类器指导消除了这种依赖性。在训练过程中，模型会在一定比例的时间内随机丢弃条件（文本提示），因此它学会使用单个网络生成条件和无条件预测。在采样时，您每步运行模型两次，一次有提示，一次没有提示，然后从无条件预测推断到条件预测。外推的量是指导尺度：较高的值会强制更严格的即时依从性和更强的饱和度，而较低的值会提供更多的多样性但更宽松的匹配。
技术洞察
从数学上讲，引导噪声预测是无条件预测加上引导尺度乘以条件预测和无条件预测之间的差异。 1 级表示没有指导；典型值为 5 到 9。将比例推得很高会放大提示特征，但会导致颜色过饱和、对比度刺眼和伪影，因为模型的推断远远超出了其学习的分布。每个去噪步骤大约需要两次前向传递。
掌握无分类器指导
无分类器指导是一种使扩散模型真正遵循您的提示的技术，用一些多样性换取更强的依从性。它是几乎每个图像生成器中“指导刻度”滑块后面的单个转盘。无分类器指导属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。为了建立深入的理解，请将无分类器指导视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用无分类器指导的强大团队可以平衡准确性与数据质量、照明差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
调整“稳定扩散”或 Midjourney 中的“CFG 比例”滑块，以平衡提示准确性和创造力
提高指导以强制生成器包含提示中描述的特定的、难以渲染的对象
在探索许多设计选项时，降低指导以获得更多样、更少过饱和的输出
调整生产流程中的指导计划，以减少高细节渲染上的颜色烧伤伪影
实施模式
实践中的无分类器指导
调整“稳定扩散”或 Midjourney 中的“CFG 比例”滑块，以平衡提示准确性和创造力。
调整稳定扩散或 Midjourney 中的“CFG 比例”滑块，以平衡提示准确性和创造力。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的无分类器指导
提高指导以强制生成器包含提示中描述的特定的、难以渲染的对象。
提高指导，强制生成器包含提示中描述的特定的、难以渲染的对象 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的无分类器指导
在探索许多设计选项时，降低指导以获得更多样、更少过饱和的输出。
在探索许多设计选项时，降低指导以获得更多样、更少过度饱和的输出当团队预先定义质量阈值、为边缘情况保留人工升级路径，并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的无分类器指导
调整生产流程中的指导计划，以减少高细节渲染上的颜色烧伤伪影。
调整生产流程中的指导计划，以减少高细节渲染上的色彩烧伤伪影。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。