TFG 无训练指导是什么？不用重新训练就能控制扩散模型生成

无训练指导（Training-Free Guidance，TFG）是一个统一的扩散模型条件生成框架，由斯坦福大学、北京大学、清华大学等机构的研究团队在 2024 年联合提出，论文标题是《TFG：扩散模型的统一无训练指导》，被 NeurIPS 2024 接收为 Spotlight 论文。

要解决的问题

扩散模型很擅长生成逼真的图像、分子、音频等内容，但常常需要按特定的条件来生成：生成某个类别的图片，生成具有某种属性的分子，生成满足某种物理约束的结构。传统的条件生成方法，要么需要用带标签的数据从头训练一个条件扩散模型，要么需要额外训练一个能处理带噪数据的分类器来引导生成。这两种方式都需要专门的训练，换一个条件就要重新训练一次，成本很高。

无训练指导的思路是：直接用一个现成的、预训练好的无条件扩散模型，再加上一个现成的判别模型（比如一个普通的图像分类器、一个分子属性预测模型），在生成过程中用判别模型的反馈来引导扩散模型，全程不需要任何额外训练。

TFG 的贡献

此前已经有多种无训练指导的方法，但它们各自采用不同的设计，效果不稳定，在不同任务上的表现差异很大，研究者也很难判断哪种方法更好、为什么。TFG 把这些已有的方法统一到一个框架中：论文证明，已有的多种方法都可以看作 TFG 在特定超参数设置下的特例。这让不同方法之间的比较有了统一的基础，也揭示了哪些设计选择真正影响效果。

基于这个统一框架，研究者系统地分析了超参数空间，并提出了一种高效的超参数搜索策略，能够针对不同的任务自动找到合适的设置。

效果

论文在 7 种扩散模型、16 个任务、40 个目标上进行了全面的实验，涵盖图像、分子、音频等多种领域，结果显示 TFG 的平均表现比已有的最好方法提升了约 8.5%。这项工作为“不训练也能控制生成”提供了一个可靠的基准和实用的工具。