Tag: guidance-fast-sampling-cfg-ddim
-
【AI 核心深度 M6-058】解释 CFG 的双倍前向成本与优化手段。（Computational Overhead of CFG: Dual Forward Passes and Acceleration Mitigations）深度数理推导与工程落地解析
CFG 需条件与无条件两次前向（成本 ×2）；可用 CFG distillation、批量并行或近似合并来降低成本。
-
【AI 核心深度 M6-052】解释 Classifier-Free Guidance 的公式与作用。（Classifier-Free Guidance (CFG): Mathematical Formulation and Conditional Steering）深度数理推导与工程落地解析
用’条件预测’与’无条件预测’的差放大条件影响：ε̂=ε(∅)+s(ε(c)−ε(∅))；s>1 增强条件遵循、降低多样性。
-
【AI 核心深度 M6-053】比较 classifier guidance 与 CFG。（Classifier Guidance vs Classifier-Free Guidance: Gradients, Joint Training, and Trade-offs）深度数理推导与工程落地解析
classifier guidance 需额外训练分类器并对 score 求梯度；CFG 用同一模型的条件/无条件预测，无需额外模型、更简单且效果更好。
-
【AI 核心深度 M6-054】解释 guidance scale 的权衡。（Guidance Scale Dynamics: Sample Quality, Mode Collapse, and Over-Saturation Boundaries）深度数理推导与工程落地解析
s 越大越贴合 prompt 但多样性下降、易过饱和；s 太小则忽略 prompt；需按任务调（常用 5~12）。
-
【AI 核心深度 M6-055】解释采样器（solver）对质量的影响。（Numerical ODE Solvers in Diffusion Sampling: Accuracy, Discretization Errors, and Efficiency）深度数理推导与工程落地解析
同一模型换采样器会显著改变质量与速度：DDIM/DPM-Solver 用更少步达同等质量；Euler-a 细节更丰富。
-
【AI 核心深度 M6-056】解释扩散采样的随机性与可复现性。（Stochasticity vs Reproducibility in Diffusion Sampling: Seeds, Noise Invariance, and Hardware Drift）深度数理推导与工程落地解析
SDE 采样（DDPM/Euler-a）不可复现；确定性采样（DDIM/DPM-Solver）给定种子可复现；需固定种子与确定性算子。
-
【AI 核心深度 M6-057】解释扩散模型的潜在空间编辑（SDEdit / inversion）。（Latent Space Image Editing: SDEdit Noise-Denoise vs Deterministic DDIM Inversion）深度数理推导与工程落地解析
SDEdit：加噪到中间步再用新提示去噪；inversion：用确定性采样把图像反推到噪声，再改提示重生成。