新上线今天0 投票
CARE：面向扩散模型的条件感知表征正则化，训练提速3.5倍
扩散模型在图像生成领域的地位已无需赘述，但训练成本高、收敛慢一直是绕不开的痛点。来自 arXiv 的一篇新论文提出了一种叫 CARE（Condition-Aware REpresentation regularization）的方法，试图从一个被长期忽视的角度切入——生成条件本身。
被忽略的条件信号
现有扩散模型的正则化手段（如表征对齐、特征蒸馏等）大多只关注特征空间本身的规整程度，却很少考虑标签或文本提示这类内置条件对特征分布的影响。论文作者指出，条件信号直接决定了生成目标，它理应成为引导表征空间的重要依据。
CARE 做了什么
CARE 是一个轻量级、即插即用的正则化框架，核心思路是：根据条件之间的相似度，动态调制特征分布。具体来说，它利用模型内置的条件信号，让相似条件对应的特征聚得更紧，而不需要额外的对齐损失函数或外部监督。换句话说，CARE 不引入新的监督源，只是把已有的条件信息“用得更充分”。
实验数据
论文在两类任务上验证了效果：
- 类到图像（ImageNet）：在 40 万训练步内，FID 降低 19.08%，相当于训练提速 3.5 倍。
- 文本到图像：在 20 万次迭代中，FID 降低 16.61%，同时生成样本与文本提示的语义对齐也有提升。
此外，CARE 还能与现有正则化方法叠加使用，带来额外增益，说明它并非替代方案，而是一个可组合的增强模块。
值得关注的点
这项工作的价值在于提醒社区：扩散模型的正则化不应只盯着特征空间，条件信号本身就是一种免费且强力的引导。如果 CARE 的通用性在更多架构和数据集上得到验证，它有望成为扩散模型训练流程中的一个标准组件。不过目前论文仅公开了摘要信息，具体实现细节和消融实验还需等待全文披露。
