扩散分类器理解组合性，但有条件限制

理解视觉场景是人类智能的基础。尽管判别模型极大地推动了计算机视觉的发展，但它们在组合理解方面常常表现不佳。相比之下，最近的生成式文本到图像扩散模型擅长合成复杂场景，这表明它们具有内在的组合能力。在此基础上，人们提出了零样本扩散分类器，旨在将扩散模型重新用于判别任务。虽然先前的工作在判别式组合场景中取得了有希望的结果，但由于基准数量少以及对模型成功条件的分析相对浅显，这些结果仍然是初步的。为了解决这个问题，我们对扩散分类器在各种组合任务上的判别能力进行了全面的研究。具体来说，我们的研究涵盖了三种扩散模型（SD 1.5、2.0，以及首次纳入的 3-m），涉及 10 个数据集和 30 多个任务。此外，我们阐明了目标数据集领域在各自性能中所扮演的角色；为了隔离领域效应，我们引入了一个新的诊断基准 Self-Bench，该基准由扩散模型自身创建的图像组成。最后，我们探讨了时间步长加权的重要性，并揭示了领域差距与时间步长敏感性之间的关系，特别是对于 SD3-m 模型。总而言之，扩散分类器理解组合性，但并非在所有条件下都适用！代码和数据集可在 https://github.com/eugene6923/Diffusion-Classifiers-Compositionality 获取。