CACFG: Curvature-Aware Classifier-Free Guidance and Optimal Control

{"tags": ["diffusion-models", "classifier-free-guidance", "cacfg", "optimal-control", "generative-ai", "image-generation"], "risks": ["Cần kiểm nghiệm chi phí tính toán phát sinh (latency) trên mỗi bước lấy mẫu khi áp dụng phép chiếu/ràng buộc siêu cầu trong môi trường sản xuất.", "Phụ thuộc vào tính tương thích của không gian tiềm ẩn (latent space) và chuẩn hóa VAE của từng kiến trúc cụ thể để thiết lập tham số ràng buộc chuẩn xác."], "category": "Research", "entities": ["CACFG", "Classifier-Free Guidance (CFG)", "Hamilton-Jacobi-Bellman (HJB)", "Variational Autoencoder (VAE)", "Diffusion Models"], "summary_vi": "Nghiên cứu đề xuất CACFG (Curvature-Aware Classifier-Free Guidance), giải quyết bài toán suy giảm chất lượng và mất tính đa dạng của ảnh khi tăng cường độ guidance trong mô hình khuếch tán. Bằng cách mô hình hóa quá trình lấy mẫu CFG dưới dạng bài toán điều khiển tối ưu thời gian liên tục và giải phương trình Hamilton-Jacobi-Bellman, các tác giả chứng minh CFG truyền thống không có ràng buộc kiểm soát, khiến quỹ đạo lấy mẫu trôi xa khỏi hình ảnh ước tính. CACFG khắc phục điều này bằng cách ràng buộc tập điều khiển trên một siêu cầu lấy cảm hứng từ chuẩn hóa Gauss trong VAE, giúp tăng chất lượng ảnh ở CFG cao mà không đánh đổi quá nhiều độ đa dạng.", "key_changes": ["Mô hình hóa quá trình lấy mẫu CFG dưới dạng bài toán điều khiển tối ưu thời gian liên tục (continuous-time optimal control) và giải phương trình Hamilton-Jacobi-Bellman.", "Chỉ ra điểm yếu cốt lõi của CFG thông thường là tập điều khiển không bị ràng buộc (unconstrained control set), khiến quỹ đạo lấy mẫu chệch xa khỏi ước tính hình ảnh khi tăng guidance strength.", "Đề xuất CACFG (Curvature-Aware CFG) nhằm giới hạn tập điều khiển trong một siêu cầu (hypersphere) dựa trên chuẩn hóa phân phối Gauss dùng khi huấn luyện VAE.", "Cải thiện chất lượng sinh ảnh ở mức guidance từ trung bình đến cao và giảm thiểu sự suy giảm đa dạng (quality-diversity tradeoff) trên nhiều mô hình và lịch trình lấy mẫu."], "sub_category": "Diffusion Models & Generative AI", "novelty_score": 84, "business_score": 68, "research_score": 88, "why_it_matters": "CFG là cơ chế điều kiện hóa tiêu chuẩn trong toàn bộ hệ sinh thái mô hình khuếch tán hiện nay nhưng thiếu cơ sở lý thuyết chặt chẽ cho các sampler xác định và thường gây biến dạng ảnh ở cường độ cao. Nghiên cứu cung cấp lời giải toán học vững chắc qua bài toán điều khiển tối ưu, đồng thời mang lại giải pháp CACFG thực dụng có thể cải thiện trực tiếp chất lượng đầu ra mà không tốn chi phí huấn luyện lại mô hình.", "developer_score": 80, "importance_score": 82, "possible_use_cases": ["Tích hợp vào pipeline lấy mẫu của các framework sinh ảnh khuếch tán (như Stable Diffusion, Midjourney-style engines, Diffusers) để hạn chế lỗi cháy ảnh/bão hòa ảnh ở CFG cao.", "Cải thiện khả năng bám sát prompt phức tạp (yêu cầu CFG scale cao) trong các dịch vụ AI tạo ảnh thương mại mà vẫn giữ tính thẩm mỹ.", "Áp dụng trực tiếp vào các bộ lấy mẫu tất định (deterministic samplers như DDIM, Euler) mà không cần huấn luyện lại mô hình."], "actionability_score": 75}