评分 6.7 · 来源：arXiv · 发布于 2026-03-19
评分依据：提出噪声调度的理论边界分析方法，将频谱特性与去噪效率直接关联，低步数场景有实际改善
要点
扩散模型的噪声调度（noise schedule）决定了训练时的噪声分布和采样时的去噪路径，通常依赖手工设计且跨分辨率需要重新调参。本文提出了一种基于图像频谱特性的原则性方法，为核心扩散模型（pixel diffusion）设计逐实例（per-instance）的自适应噪声调度。
作者从理论上推导了最小和最大噪声水平的效能边界，据此设计「紧致」噪声调度以消除冗余去噪步骤。在推理阶段，进一步提出条件化采样策略——根据具体输入图像的频谱特征动态调整调度。实验表明，该方法在单阶段像素扩散模型上显著提升了生成质量，尤其在低步数（low-step）推理场景下改善最为明显。
🤖 AI 点评
这篇论文的价值在于将噪声调度从「工程调参」推向「理论驱动」。长期以来，cosine schedule、linear schedule 等手工设计在绝大多数场景下「够用」，但无法针对不同图像内容做最优适配。频谱引导的思路提供了一个简洁优雅的桥梁：图像的高频/低频分布特征直接决定了对不同噪声水平的敏感度，用这个信号来定制调度既合理又高效。对于追求推理速度的工业部署场景，低步数下的质量提升是最有实用价值的切入点。