很多人在使用文生圖工具時都會遇到類似的情況，輸入一段很清晰的描述，希望畫面中人物站在左邊、動物在右邊，或者希望海報上出現(xiàn)一段完整可讀的文字，但生成結(jié)果卻常常讓人失望。

要么位置關(guān)系混亂，要么文字變形，要么整體畫面看起來不自然。繼續(xù)調(diào)整參數(shù)，有時結(jié)果會更接近描述，但畫面質(zhì)量卻明顯下降，顏色變得奇怪，結(jié)構(gòu)開始扭曲。反復(fù)嘗試之后，往往需要生成十幾張甚至幾十張圖，才能勉強挑出一張可用的。

這種既想讓模型聽懂指令，又不希望畫面被破壞的矛盾體驗，已經(jīng)成為很多用戶在實際使用生成模型時的共同感受。

隨著生成式人工智能逐漸進入設(shè)計、電商、內(nèi)容創(chuàng)作等真實場景，這種問題變得更加突出。用戶不再只是追求一張看起來不錯的圖，而是希望結(jié)果穩(wěn)定、結(jié)構(gòu)正確、細節(jié)可靠，可以直接用于實際工作。

然而現(xiàn)有方法在可控性和穩(wěn)定性之間始終存在明顯沖突，模型越是強調(diào)語義對齊，就越容易犧牲視覺質(zhì)量，這種內(nèi)在限制逐漸成為生成模型走向更廣泛應(yīng)用的一道門檻。

在這樣的背景下，清華大學(xué)段岳圻團隊提出了《CFG-Ctrl: Control-Based Classifier-Free Diffusion Guidance》這一研究工作，從更底層的角度重新審視這一問題。

研究不再把 CFG 當(dāng)作簡單的參數(shù)調(diào)節(jié)手段，而是將整個生成過程看作一個動態(tài)系統(tǒng)，把語義偏差理解為需要被控制的誤差，并引入控制理論來重新設(shè)計 guidance 機制。這種思路的變化，使得生成過程不再依賴反復(fù)試錯，而是可以通過更穩(wěn)定的方式逐步收斂到符合語義約束的結(jié)果。

這種改進在實際場景中的意義也很直觀。當(dāng)需要生成具有明確空間關(guān)系的畫面時，模型能夠更穩(wěn)定地保持結(jié)構(gòu)一致；當(dāng)畫面中包含文字時，內(nèi)容更容易保持清晰和正確；在復(fù)雜場景中，多對象之間的關(guān)系也更不容易出現(xiàn)錯亂。

用戶不再需要通過大量嘗試去碰運氣，而更有可能在較少次數(shù)內(nèi)得到符合預(yù)期的結(jié)果。這樣的變化，正體現(xiàn)出生成模型從偶爾成功走向穩(wěn)定可靠的關(guān)鍵一步，也讓這項研究在當(dāng)前發(fā)展階段顯得尤為重要。

論文地址：https://arxiv.org/pdf/2603.03281

從高 scale 穩(wěn)定性到復(fù)雜 prompt 表現(xiàn)

在實驗結(jié)果方面，研究人員首先關(guān)心的是，相比標準 CFG（Classifier-Free Guidance），性能提升是否全面且穩(wěn)定。結(jié)論是肯定的，而且提升并不是集中在某一個指標上，而是體現(xiàn)在多個維度同時改善。

比如在圖像質(zhì)量指標 FID（Fréchet Inception Distance） 上，SMC-CFG 比標準 CFG 進一步下降了一小截，說明生成結(jié)果更接近真實圖像分布。在語義對齊指標 CLIP 上，提升幅度雖然不算特別大，但表現(xiàn)很穩(wěn)定，基本能夠持續(xù)領(lǐng)先其他方法，這說明這種改進并不是靠某類樣本上的偶然優(yōu)勢，而是真正增強了模型對文本語義的理解能力。

在人類偏好相關(guān)指標上，像 ImageReward、HPS、PickScore 等提升更明顯，而且很多時候都處在所有方法里的最高水平。真正重要的是，SMC-CFG 不是只把某一個指標做高，而是在圖像質(zhì)量、語義對齊和主觀偏好這些通常很難兼顧的方向上一起變好。

從跨模型的一致性來看，研究使用了 3 種不同規(guī)模的文生圖模型，分別是中等規(guī)模的 SD3.5、較大規(guī)模的 Flux，以及超大規(guī)模的 Qwen-Image。實驗中有一個很明顯的現(xiàn)象，就是模型規(guī)模越大，SMC-CFG 的優(yōu)勢越清楚。

在較小模型上，這種優(yōu)勢更多體現(xiàn)為略優(yōu)，而在更大模型上，它在多個指標上能夠持續(xù)拉開差距。這說明，SMC-CFG 解決的并不只是一個局部調(diào)參問題，而更像是在處理模型規(guī)模增大后更容易出現(xiàn)的不穩(wěn)定性問題。

研究還把它與 CFG-Zero* 和 Rectified-CFG++ 這些已經(jīng)改進過的方法做了比較，結(jié)果顯示，SMC-CFG 依然能夠繼續(xù)取得提升，而且這種優(yōu)勢不是某個指標上的局部突破，而更接近整體性的領(lǐng)先，這也說明它不是簡單技巧，而是機制層面的改進。

高 guidance scale 下的表現(xiàn)，是整項研究最關(guān)鍵的結(jié)果之一。傳統(tǒng) CFG 的典型問題是，guidance scale 增大后，語義對齊通常會更強，但圖像質(zhì)量往往會明顯下降，也就是模型越努力貼近文本，越容易把畫面做壞。

實驗顯示，標準 CFG 隨著 scale 提升，圖像劣化會越來越明顯，而 SMC-CFG 在同樣條件下仍然能夠繼續(xù)增強語義信息，同時把圖像質(zhì)量維持在相對穩(wěn)定的狀態(tài)。這意味著它在一定程度上打破了語義準確性和圖像質(zhì)量之間那種經(jīng)典的此消彼長關(guān)系。

與此同時，在復(fù)雜 prompt 下，傳統(tǒng)方法容易出現(xiàn)空間關(guān)系錯位、結(jié)構(gòu)混亂、文字模糊或錯誤等問題，而 SMC-CFG 在空間關(guān)系、細節(jié)穩(wěn)定性和文字清晰度上都更好，這說明它不僅分數(shù)更高，也確實提升了模型對復(fù)雜結(jié)構(gòu)和關(guān)系的理解能力。

研究團隊還做了消融實驗，分析兩個關(guān)鍵參數(shù)的作用。其中，λ 控制收斂方向，k 控制糾正力度。實驗發(fā)現(xiàn)，λ 過小或過大都會讓系統(tǒng)偏離更理想的穩(wěn)定軌道，而 k 過小會讓收斂變慢，語義表現(xiàn)偏弱，k 過大又會引發(fā)震蕩，讓畫面顯得不自然。

綜合來看，最佳狀態(tài)對應(yīng)的是中等 λ 加上適中的 k，在這種組合下，系統(tǒng)能夠同時實現(xiàn)穩(wěn)定、快速和精準。更深一層地說，這部分結(jié)果說明 SMC-CFG 的優(yōu)勢不是偶然調(diào)參得到的，而是符合控制系統(tǒng)里很典型的規(guī)律，也就是穩(wěn)定性和響應(yīng)速度之間需要找到平衡。雷峰網(wǎng)(公眾號：雷峰網(wǎng))

并非簡單跑分，而是一種新的控制邏輯

在實驗經(jīng)過方面，研究人員并不是簡單進行指標對比，而是圍繞一個明確的核心假設(shè)展開，也就是 CFG 的問題本質(zhì)上來源于線性控制方式本身，因此需要通過新的控制機制來驗證是否能夠系統(tǒng)性改進這一問題。

基于這一前提，整個實驗設(shè)計圍繞三個關(guān)鍵方向推進。首先是穩(wěn)定性驗證，研究人員通過在高 guidance scale 條件下進行測試，因為這一設(shè)置會放大 CFG 的不穩(wěn)定問題，如果方法在這種情況下仍然保持穩(wěn)定，就能夠說明控制機制本身更加魯棒。

其次是準確性驗證，通過引入語義指標并結(jié)合復(fù)雜 prompt 場景，例如包含空間關(guān)系、多物體關(guān)系或細粒度描述的輸入，來檢驗生成結(jié)果是否真正理解文本內(nèi)容，而不是僅僅在簡單場景下表現(xiàn)良好。

最后是對真實感的評估，通過 FID 和多種人類偏好相關(guān)指標來判斷生成圖像是否接近真實分布，同時是否符合人類審美和直覺判斷。從整體邏輯來看，這一系列實驗并不是在比較不同模型誰更強，而是在驗證一種控制系統(tǒng)是否能夠更有效地引導(dǎo)生成過程。

在模型選擇上，研究團隊刻意選用了 SD3.5、Flux 和 Qwen-Image 三種具有明顯差異的模型。這些模型不僅在參數(shù)規(guī)模上從中等到超大存在明顯跨度，而且在具體架構(gòu)上也有所不同，但都屬于 flow-matching diffusion 這一技術(shù)路線。

這樣的選擇使實驗?zāi)軌蚋采w不同復(fù)雜度和不同表達能力的生成系統(tǒng)，從而檢驗方法是否具備跨模型的通用性。如果一種方法只在單一模型上有效，很可能只是針對特定結(jié)構(gòu)進行了適配，而在多模型上都能保持提升，則更能說明其改進具有普適意義。

在評價體系的設(shè)計上，研究人員采用了分層結(jié)構(gòu)來避免單一指標帶來的偏差。第一層關(guān)注分布層面，通過 FID 衡量生成圖像與真實數(shù)據(jù)分布之間的距離，從而反映整體圖像質(zhì)量和真實性。

第二層關(guān)注語義層面，通過 CLIP 等指標評估圖像內(nèi)容與文本之間的一致性，這一層主要反映模型是否正確理解輸入語義。第三層則引入人類偏好相關(guān)指標，用于評估生成結(jié)果在視覺上是否自然、是否具有審美價值以及是否符合人類直覺。

這三層從統(tǒng)計分布、語義匹配和主觀感受三個角度共同約束模型表現(xiàn)，可以有效避免模型在某一指標上表現(xiàn)突出但整體效果不佳的問題。

研究團隊還通過消融實驗對方法內(nèi)部機制進行了進一步分析。由于 SMC-CFG 引入了滑模面作為控制目標，并通過 switching 控制實現(xiàn)非線性反饋，這些設(shè)計都可能影響系統(tǒng)的穩(wěn)定性和收斂行為，因此需要單獨驗證各個組成部分的作用。

通過調(diào)整關(guān)鍵參數(shù)，可以觀察到系統(tǒng)在收斂速度、穩(wěn)定性以及生成效果之間的變化關(guān)系，從而判斷性能提升是否確實來源于控制機制本身，而不是偶然的參數(shù)組合。這一步對于證明方法的可靠性非常關(guān)鍵，因為只有在不同設(shè)置下仍然表現(xiàn)出一致規(guī)律，才能說明設(shè)計具有理論支撐。

綜合來看，這一系列實驗構(gòu)成了一個清晰的驗證邏輯，也就是從線性控制到非線性控制的轉(zhuǎn)變所帶來的影響。傳統(tǒng) CFG 作為線性控制方式，在復(fù)雜生成過程中容易引發(fā)不穩(wěn)定行為，而引入滑?？刂坪?，系統(tǒng)能夠更穩(wěn)定地收斂到目標狀態(tài)。

在這種更穩(wěn)定的動態(tài)過程中，語義信息能夠更有效地注入，同時圖像質(zhì)量不會受到明顯破壞，因此最終表現(xiàn)為語義對齊更好且圖像質(zhì)量更高。整個實驗過程實際上是在逐步驗證這一因果鏈條，從而證明新的控制機制確實能夠從根本上改進生成過程。

不是改進 CFG，而是重寫 CFG

這項研究并不只是說明研究提出了一種更強的方法，更重要的是，它改變了人們理解圖像生成模型的方式。過去，CFG 更像是一種經(jīng)驗性的調(diào)節(jié)手段，很多時候只能靠不斷試參數(shù)來找平衡，知道它有用，但很難解釋為什么有時有效、有時會失控。雷峰網(wǎng)

研究團隊把這個問題提升成了控制問題，也就是把條件預(yù)測和無條件預(yù)測之間的差異看成誤差信號，把 guidance 看成控制輸入，把 diffusion flow 看成一個動態(tài)系統(tǒng)。這樣一來，后續(xù)研究就不再只是反復(fù)調(diào) guidance，而是可以像設(shè)計控制系統(tǒng)一樣，去分析穩(wěn)定性、收斂性和魯棒性，從經(jīng)驗技巧走向系統(tǒng)理論。

研究還有一個很重要的意義，就是把 CFG 為什么會失敗這件事講清楚了。很多人都知道，guidance scale 一旦調(diào)高，模型雖然會更聽 prompt 的話，但圖像也更容易崩，出現(xiàn)顏色不自然、結(jié)構(gòu)扭曲、細節(jié)變壞的問題。

研究人員說明，根本原因在于 CFG 本質(zhì)上是在做線性誤差放大，而 diffusion 本身卻是一個非線性系統(tǒng)，所以一旦放大過頭，就容易出現(xiàn)振蕩和發(fā)散。也正因為如此，研究團隊引入了滑?？刂七@種非線性控制方法，讓系統(tǒng)在復(fù)雜情況下也能被拉回更穩(wěn)定的軌道。

這個突破的意義在于，它說明 diffusion guidance 本質(zhì)上不是一個簡單調(diào)權(quán)重的問題，而是一個需要用非線性控制來處理的問題。

對普通人來說，這項研究的影響也很直接。用戶在使用 AI 繪圖工具時，最關(guān)心的不是背后的理論，而是輸入一句話之后，結(jié)果能不能穩(wěn)定、能不能少翻車、能不能更接近自己的想法。更穩(wěn)定的 guidance 機制意味著，以后生成復(fù)雜畫面時，空間關(guān)系錯亂、文字錯誤、結(jié)構(gòu)崩壞這些問題會更少，用戶不需要為了得到一張能用的圖反復(fù)嘗試很多次。

對于設(shè)計師、自媒體創(chuàng)作者、電商運營等人來說，這會直接降低試錯成本，提高出圖效率。更長遠地看，這項研究的價值就在于，它推動文生圖模型從偶爾驚艷但不穩(wěn)定，逐漸走向真正可靠、可以進入日常工作和生活的工具。

CFG-Ctrl 背后的科研工作者

論文一作為汪晗陽，現(xiàn)為清華大學(xué)電子工程系碩士一年級學(xué)生，本科畢業(yè)于清華大學(xué)計算機科學(xué)與技術(shù)系，2025 年獲得工學(xué)學(xué)士學(xué)位，師從段岳圻，研究方向集中在 3D 計算機視覺、視頻生成和 AIGC。

相關(guān)學(xué)術(shù)成果發(fā)表于 CVPR、ICCV、NeurIPS、ECCV、TIP 和 TPAMI 等重要會議與期刊，內(nèi)容涉及稀疏視角 3D 重建、3D 生成中的人類偏好對齊、語言嵌入場景重建、視頻生成測試時擴展、物理屬性學(xué)習(xí)，以及從單張圖像生成高質(zhì)量 3D 網(wǎng)格等方向。

論文的通訊作者為段岳圻，他是清華大學(xué)電子工程系教研系列副教授，博士生導(dǎo)師。研究方向為計算機視覺、模式識別。2014 年和 2019 年在清華大學(xué)自動化系分別獲得工學(xué)學(xué)士和博士學(xué)位，2019 至 2021 年在斯坦福大學(xué)計算機系擔(dān)任博士后研究員，合作導(dǎo)師為美國三院院士Leonidas J. Guibas教授。

他以第一/通訊作者發(fā)表計算機視覺與模式識別領(lǐng)域 IEEE匯 刊和 CCF-A 類會議論文 40 余篇，以通訊作者獲 2024 年 ICME 最佳論文提名。

段岳圻入選中國科協(xié)青年人才托舉工程項目，獲 2025 年中國電子學(xué)會技術(shù)發(fā)明一等獎、2024 年中國電子學(xué)會自然科學(xué)一等獎、2024 年公安部科學(xué)技術(shù)一等獎。

擔(dān)任IEEE TCSVT期刊編委，CVPR、ICCV、ECCV、ICML、ICLR等國際會議領(lǐng)域主席，中國計算機學(xué)會計算機視覺、人工智能與模式識別、多媒體技術(shù)專委會執(zhí)行委員。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。