DiFA：透過前向過程對齊優化擴散模型生成，解決數值積分忽略的統計不確定性問題

DiFA 是一個免訓練的推理框架，將擴散生成視為序列狀態估計，透過卡爾曼濾波啟發的時序共識機制聚合歷史預測，顯著提升影像生成的保真度與品質。

Problem

現有的擴散模型推理框架主要將生成過程視為數值積分問題，這種觀點將模型視為精確的估計器，卻忽略了去噪過程中固有的統計不確定性，導致生成路徑可能偏離真實的分佈軌跡。

本研究提出 DiFA 框架，將推理階段的資料預測重新定義為「序列狀態估計」問題。受卡爾曼濾波啟發，DiFA 根據結構一致性與雜訊兼容性聚合歷史預測以建立時序共識，並引入偏差引導機制來適應性地保留殘差細節，防止過度平滑。

實驗結果顯示，在 CIFAR-10 與 ImageNet 測試中，DiFA 在 FID、IS 與 FD-DINOv2 等多項關鍵指標上均有顯著提升，證明了將推理過程與前向統計結構對齊能大幅改善生成品質。

此研究打破了傳統將推理視為純數值積分的侷限，證明了在推理階段考慮統計一致性的重要性。DiFA 提供了一種無需額外訓練即可優化現有擴散模型效能的高效率路徑。