分类器引导是扩散模型中使用的一种技术，它通过结合预训练分类器的信息来引导生成过程朝向特定输出。扩散模型通过一系列去噪步骤，将随机噪声迭代细化为结构化输出，例如图像。分类器引导通过使用分类器（与扩散模型在同一数据集上训练）的梯度来调整去噪步骤，从而修改此过程。这确保生成的样本与所需的类别标签或属性对齐，有效地“引导”模型生成符合特定标准的输出。
技术实现涉及在每个去噪步骤中，计算分类器对目标类别的预测概率相对于中间噪声数据的梯度。例如，如果生成一张狗的图片，分类器的梯度会指示如何调整当前的噪声图像，以增加其被分类为狗的概率。这些梯度会根据引导强度参数（通常表示为 ( s )）进行缩放，并与扩散模型自身对去噪步骤的预测相结合。数学上，调整后的去噪方向成为原始模型的预测加上 ( s \times \nabla_x \log p_\text{class}(y \mid x_t) )，其中 ( x_t ) 是步骤 ( t ) 的噪声数据，( y ) 是目标类别。这种混合更新将生成过程推向既满足扩散模型似然性又满足分类器标准的数据空间区域。
一个实际的例子是在 CIFAR-10 等数据集上训练的扩散模型中使用分类器引导。假设您想生成卡车的图像。没有引导的情况下，模型会在所有类别中随机采样。通过添加一个训练用于区分 CIFAR-10 类别的分类器，您可以计算梯度，这些梯度会推动每个去噪步骤朝着卡车典型的特征（例如，车轮、平板）方向发展。引导强度 ( s ) 控制权衡：值越高，生成的图像越接近目标类别，但如果分类器不完美，可能会降低多样性或引入伪影。一个局限性是需要一个单独的分类器，并且该分类器必须与扩散模型的训练数据和架构兼容。尽管如此，分类器引导仍然是受控生成的一种灵活工具，尤其是在需要精确属性定位的情况下。