本文入选 CVPR 2026

CVPR（IEEE/CVF Conference on Computer Vision and Pattern Recognition）IEEE国际计算机视觉与模式识别会议，主要内容是计算机视觉与模式识别技术。

论文主页：arxiv.org/abs/2603.08…

一、为什么固定 CFG scale 不够好？

标准 CFG： ${\widehat{ϵ}}_{\omega }(x_t,t,y)={\widehat{ϵ}}_{\mathrm{\varnothing }}(x_t,t)+\omega ({\widehat{ϵ}}_c(x_t,t,y)-{\widehat{ϵ}}_{\mathrm{\varnothing }}(x_t,t))\mathrm{.}$ 常见做法使用固定 $\omega$，但它默认“条件/无条件差异在所有时间步同等重要”。我们的理论与实证显示：这种差异在扩散时间上是动态变化的，因此固定 $\omega$ 难以同时兼顾早期结构形成与后期精确对齐。

二、核心理论（VP-SDE 重点）：score discrepancy 的严格上界（论文 Theorem 1）

VP-SDE 前向扩散： $d{x}_t=-\frac{1}{2}\beta (t)x_{t}dt+\sqrt{\beta (t)}d{w}_t\mathrm{.}$

Theorem 1（VP-SDE Score MSE Bound）

假设样本空间有界且闭。令 $p(x,t)$ 与 $\tilde{p}(x,t)$ 为由初始分布 $p(x_0)$ 与 $\tilde{p}(x_0)$ 诱导的时刻 $t$ 的密度（论文中取 $\tilde{p}(x,t)=p(x,t\mid y)$）。则 score 差异满足一致上界： $\mathrm{\mid }\mathrm{\nabla }\log p(x,t)-\mathrm{\nabla }\log \tilde{p}(x,t)\mathrm{\mid }\le \frac{\alpha (t)}{{\sigma }^2(t)}C,\mathrm{\forall }x\in \mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p},t\ge 0,$ 其中 $C$ 为常数， $\alpha (t)=\exp (-\frac{1}{2}{\int }_0^t{\beta }_{s}ds),\sigma (t)=\alpha (t)\sqrt{{\int }_0^t\frac{{\beta }_s}{{\alpha }^2(s)}ds}\mathrm{.}$ 重参数化 $t^{\mathrm{\prime }}=\frac{1}{2}{\int }_0^t{\beta }_{s}ds$ 后（论文式(9)）： $\mathrm{\mid }\mathrm{\nabla }\log p(x,t)-\mathrm{\nabla }\log p(x,t\mid y)\mathrm{\mid }\le \frac{e^{-t}}{1-e^{-2t}}C,$ 当 $t$ 较大时呈现 $O(e^{-t})$ 的指数衰减趋势。

结论： 在前向扩散中，条件/无条件分布会逐步“趋同”，其 score 差异上界随时间衰减；对应到反向采样，越接近数据（$t\to 0$）越需要更强、更精细的条件引导。

三、方法：C²FG（指数控制的 time-dependent CFG）

我们将固定 $\omega$ 替换为时间控制函数： $\omega (t)={\omega }_0\exp \left(\lambda \right(1-\frac{t}{t_{\max }}\left)\right)\mathrm{.}$ 并在采样时使用：

为什么这种形式好用？

• 与理论与观测一致： 差异呈指数趋势，调度函数自然对齐；
• 连续可导更稳定： 比分段/线性更平滑；
• 只需两个超参： ${\omega }_0$（最大强度）与 $\lambda$（衰减速率）；
• training-free、plug-and-play： 无需额外训练或外部分类器。

四、实验结果展示

Figure 1：理论预测的“时间趋势”在真实模型中成立

• (a) 条件与无条件 score 的 MSE 随时间变化，并被一个随 $t\to +\mathrm{\infty }$ 逼近 0 的函数上界约束；
• (b) 余弦相似度在反向采样过程中下降，说明二者在幅值与方向上都逐渐分离。

Figure 2：CFG vs.C²FG 的采样流程比较

• CFG：$\omega$ 为常数；
• C${}^2$FG：$\omega (t)$ 为随时间变化的衰减控制函数。

Figure 3：C²FG的直观示意（并解释 interval guidance 可视为特例/可融合）

论文指出：区间 guidance 的“只在有效区间用引导”可以在我们的框架下得到解释；同时C²FG+ interval可以进一步减少不必要的模型评估开销（把引导放在更“有效”的阶段）。

Figure 4：2D Toy Example（更少 outliers，更贴近目标条件分布）

• (b) EDM2（$\omega =1$）出现 outliers；
• (c） $\beta$-CFG（$\alpha =\beta =2,\omega =1$）outliers 更多；
• (d) C${}^2$FG（${\omega }_0=1,\lambda =0.6$）outliers 更少，匹配目标更好。

Figure 5：ImageNet 质化对比（纹理更清晰、畸变更少）

红框示例显示C²FG 能有效缓解失真与纹理模糊；在不同采样器与步数下都能保持一致改进。

ImageNet Class-Conditional（多架构、多分辨率、多采样器综合评估）

DiT-XL/2 (256×256, ODE)

• baseline：FID 2.29，IS 276.8
• C²FG（ω0=1, λ=ln2）：FID 2.07，IS 291.5

SiT-XL/2 (REPA, 256×256, SDE)（强基线也能继续提升）

• baseline：FID 1.80，IS 284.0
• C²FG（ω0=1, λ=1）：FID 1.51，IS 315.0

SiT-XL/2 (REPA, 256×256, SDE)（强基线也能继续提升）

• interval baseline：FID 1.42，IS 305.7
• interval +C²FG：FID 1.41，IS 308.0

DiT-XL/2 (512×512, SDE, 100 steps)

• baseline：FID 6.81，IS 229.5
• C²FG：FID 6.54，IS 280.9

引用：

C²FG：Control Classifier-Free Guidance via Score Discrepancy Analysis, CVPR 2026.