扩散去噪模型是一种生成式人工智能框架，通过迭代去噪过程从噪声中合成图像。它们因其出色的图像生成能力和多样性而受到赞扬，这在很大程度上归功于基于文本或类别的条件引导方法，包括分类器引导和无分类器引导。这些模型在创建多样化、高质量的图像方面取得了显著的成功。最近的研究表明，类似类别标题和标签的引导技术在提高这些模型生成的图像质量方面发挥着至关重要的作用。

然而，扩散模型和引导方法在某些外部条件下面临局限性。分类器自由引导（CFG）方法使用标签丢弃，增加了训练过程的复杂性，而分类器引导（CG）方法需要额外的分类器训练。两种方法都受到对外部条件的依赖的限制，这限制了它们的潜力并将它们局限于条件设置。

为了解决这些局限性，开发人员已经提出了一种更为通用的扩散引导方法，称为自注意力引导（SAG）。这种方法利用扩散模型的中间样本中的信息来生成图像。在本文中，我们将探讨SAG的工作原理、方法论和结果，并将其与当前的最先进框架和流水线进行比较。

自注意力引导：提高扩散模型的样本质量

去噪扩散模型（DDM）因其能够通过迭代去噪过程从噪声中创建图像而受到关注。这些模型的图像合成能力在很大程度上归功于所使用的扩散引导方法。尽管它们具有优势，但扩散模型和基于引导的方法面临着增加复杂性和计算成本等挑战。

为了克服当前的局限性，开发人员引入了自注意力引导方法，这是一种更为通用的扩散引导公式，不依赖于外部信息，从而实现条件自由和灵活的引导方法。这种方法最终有助于提高传统扩散引导方法的适用性，使其能够应用于有或没有外部要求的场景。

自注意力引导基于一个简单的原则，即内部信息可以作为引导。基于此原则，SAG方法首先引入模糊引导，一种简单直接的解决方案，用于提高样本质量。模糊引导旨在利用高斯模糊的良性特性，通过自然方式去除细节，并使用去除的信息作为高斯模糊的结果来引导中间样本。虽然模糊引导方法可以在中等引导规模下提高样本质量，但它在大规模引导下难以复制结果，因为它经常引入结构模糊性。因此，模糊引导方法难以将原始输入与降级输入的预测对齐。

为了提高模糊引导方法在更大引导规模下的稳定性和有效性，自注意力引导尝试利用扩散模型的自注意力机制。现代扩散模型已经包含自注意力机制。自注意力引导方法使用扩散模型的自注意力图来对包含显著信息的区域进行对抗性模糊，并在此过程中使用所需的残差信息来引导扩散模型。然后，方法在扩散模型的反向过程中利用注意力图来提高图像质量，并使用自条件化来减少伪影，而无需额外的训练或外部信息。

… (rest of the content remains the same, following the exact same structure and translation rules)