**扩散模型修正训练：通过显式学习填补训练与推理差距，提升无引导生成质量**

_Correction Training for Diffusion Models_

> 针对扩散模型因暴露偏差导致的迭代采样误差累积问题，该研究提出了一种修正训练框架。该方法引入一个修正器，利用基础模型在推理阶段的预测作为输入，并针对真实目标进行训练，从而显式地缩小训练与推理之间的差距。在采样过程中，该方法在每个去噪步骤迭代地修正预测结果，有效防止早期伪影影响最终样本。实验表明，该方法在无条件生成等场景中显著提升了样本质量，且其推理成本可通过蒸馏技术摊销，无需增加额外开销。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.14136)