概述
無分類器指導是一種使擴散模型真正遵循您的提示的技術，用一些多樣性換取更強的依從性。它是幾乎每個圖像生成器中“指導刻度”滑塊後面的單一轉盤。
無分類器指導屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
早期的引導擴散需要一個單獨的分類器將樣本推向所需的類別，這是脆弱的並且需要額外的訓練。 Jonathan Ho 和 Tim Salimans 在 2022 年提出的無分類器指導消除了這種依賴性。在訓練過程中，模型會在一定比例的時間內隨機丟棄條件（文字提示），因此它學會使用單一網路生成條件和無條件預測。在採樣時，您每步運行模型兩次，一次有提示，一次沒有提示，然後從無條件預測推斷到條件預測。外推的量是指導尺度：較高的值會強制更嚴格的即時依從性和更強的飽和度，而較低的值會提供更多的多樣性但更寬鬆的匹配。
技術洞察
從數學上講，引導雜訊預測是無條件預測加上引導尺度乘以條件預測和無條件預測之間的差異。 1 級表示沒有指導；典型值為 5 到 9。將比例推得很高會放大提示特徵，但會導致顏色過度飽和、對比度刺眼和偽影，因為模型的推論遠遠超出了其學習的分佈。每個去雜訊步驟大約需要兩次前向傳遞。
掌握無分類器指導
無分類器指導是一種使擴散模型真正遵循您的提示的技術，用一些多樣性換取更強的依從性。它是幾乎每個圖像生成器中“指導刻度”滑塊後面的單一轉盤。無分類器指導屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將無分類器指導視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用無分類器指導的強大團隊可以平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
調整「穩定擴散」或 Midjourney 中的「CFG 比例」滑桿，以平衡提示準確性和創造力
提高指導以強制生成器包含提示中描述的特定的、難以渲染的對象
在探索許多設計選項時，降低指導以獲得更多樣化、更少過飽和的輸出
調整生產流程中的指導計劃，以減少高細節渲染上的顏色燒傷偽影
實施模式
實踐中的無分類器指導
調整「穩定擴散」或 Midjourney 中的「CFG 比例」滑桿，以平衡提示準確性和創造力。
調整穩定擴散或 Midjourney 中的「CFG 比例」滑桿，以平衡提示準確性和創造力。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的無分類器指導
提高指導以強制生成器包含提示中描述的特定的、難以渲染的物件。
提高指導，強制生成器包含提示中描述的特定的、難以渲染的對象 當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中的無分類器指導
在探索許多設計選項時，降低指導以獲得更多樣化、更少過飽和的輸出。
在探索許多設計選項時，降低指導以獲得更多樣化、更少過度飽和的輸出當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑，並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中的無分類器指導
調整生產流程中的指導計劃，以減少高細節渲染上的顏色燒傷偽影。
調整生產流程中的指導計劃，以減少高細節渲染上的色彩燒傷偽影。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。