突破CFG瓶颈：ETH科学家让AI图像生成在低指导下也能输出高质量画面

这项由苏黎世联邦理工学院（ETH Zürich）的Seyedmorteza Sadat和Tobias Vontobel，以及迪士尼研究院的Farnood Salehi和Romann M. Weber合作完成的研究，发表于2025年6月的机器学习顶级会议。感兴趣的读者可以通过arXiv:2506.19713v1访问完整论文。研究团队创新性地提出了频率解耦指导（FDG）方法，彻底改变了AI图像生成中的经典难题。

AI图像生成就像请一位画师为你作画。通常情况下，如果你给画师的指导太少，画出来的作品往往模糊不清，缺乏细节；但如果指导得太严格，画师虽然能画出清晰的作品，却失去了创意和多样性，颜色也会变得过分浓烈不自然。这个困境在AI图像生成领域被称为"分类器自由指导"（CFG）的两难问题，一直困扰着整个行业。

现有的AI图像生成系统都面临这个核心矛盾。低指导值会产生多样化但质量较差的图像，就像给画师很少约束时，虽然创意十足但往往画得不够精细。高指导值虽然能提升图像质量和与描述的匹配度，但会导致生成的图像缺乏多样性，颜色过度饱和，就像过分约束画师后，虽然技法精湛但失去了艺术灵性。

研究团队通过深入分析发现，传统的CFG方法就像用同一把刷子处理画面的所有部分。实际上，画面的不同频率成分应该区别对待——低频部分控制整体结构和构图，高频部分决定细节和质感。这种发现让他们意识到，可以对这两个部分施加不同强度的指导。

**一、揭开CFG工作机制的神秘面纱**

为了理解AI是如何生成图像的，我们可以把这个过程想象成雕刻师从一块完全混乱的石头中雕出艺术品。AI模型就是这位雕刻师，它需要逐步去除"噪声"，最终呈现出清晰的图像。在这个过程中，分类器自由指导就像是在雕刻师耳边不断提醒他要雕出什么样的作品。

传统的CFG工作原理是这样的：AI会同时生成两个版本的预测——一个是有条件的（比如根据"一只猫"的描述），另一个是无条件的（完全随意生成）。然后CFG会计算两者的差异，并用这个差异来强化有条件的预测。这就像是对比"按要求画的猫"和"随意画的东西"之间的区别，然后放大这种区别来让结果更符合要求。

研究团队的关键洞察在于，他们意识到这个过程中的"差异信号"其实包含了不同类型的信息。低