[LG]《Adversarial Learning of Classifier-Free Guidance Schedules》A Pokle, A Galashov, A Doucet, M Delbracio… [Google & Google DeepMind] (2026)

在文本到图像生成领域，如何动态调整引导权重（Guidance）是一个悬而未决的难题。过去的方法受困于使用固定的全局权重或启发式时间表，本质原因是这种“一刀切”策略无法适应不同生成阶段、文本和样本的独特需求，常导致伪影。
本文的核心洞见是：把寻找最佳引导策略，重新看作一个在每个时间步匹配真实与引导后数据分布的博弈问题。由此，一个对抗性学习框架使问题得以解开：轻量生成器预测引导权重，判别器则通过区分真假样本来指导其优化。
这项工作真正留下的遗产是，一个让引导权重从静态超参数变为可学习的动态策略的框架。它为后来者打开的新门是，用对抗训练来精细化控制生成过程的特定环节，但尚未跨过的门槛是训练过程复杂且学到的策略与特定模型绑定，难以迁移。
arxiv.org/abs/2608.14038 #机器学习# #人工智能# #论文# #AI创造营#