归一化注意力引导：扩散模型的通用负向引导

负向引导——明确抑制不需要的属性——仍然是扩散模型中的一个基本挑战，尤其是在少步采样机制中。虽然无分类器引导（CFG）在标准设置下效果良好，但由于正负分支之间的预测差异，它在激进的采样步长压缩下会失效。我们提出了归一化注意力引导（NAG），这是一种高效、无需训练的机制，它在注意力空间中应用外推法，结合L1范数归一化和细化。NAG在CFG失效的情况下恢复了有效的负向引导，同时保持了保真度。与现有方法不同，NAG适用于不同的架构（UNet、DiT）、采样机制（少步、多步）和模态（图像、视频），作为一个通用插件，计算开销极小。通过广泛的实验，我们展示了在文本对齐（CLIP Score）、保真度（FID、PFID）和人类感知质量（ImageReward）方面的一致改进。我们的消融研究验证了每个设计组件，而用户研究证实了对NAG引导输出的显著偏好。作为一种无需重新训练的、与模型无关的推理时方法，NAG为所有现代扩散框架提供了轻松的负向引导——伪代码在附录中！