Towards More General Control of Diffusion Models Using Jeffrey Guidance¶

会议: NeurIPS 2026
arXiv: 2606.13240
OpenReview: https://openreview.net/forum?id=qUtuEEQhIU
领域: 图像生成
关键词: 扩散模型, 杰弗里斯条件化, 引导采样, 分布对齐, 公平性与解耦

一句话总结¶

本文基于形式认识论中的杰弗里斯条件化规则（Jeffrey's Rule of Conditioning），提出了一种统一且无需重训扩散主干的通用分布引导框架（Jeffrey Guidance），通过密度比估计和 Tweedie 预测在采样阶段显式修正边际分布，在特征空间对齐（显著降低 CIFAR-10/FFHQ 的 FID）和敏感属性去相关公平生成上均取得了严密的理论与实验突破。

研究背景与动机¶

扩散概率模型（Diffusion Models）近年来在图像生成、跨模态合成等领域取得了前所未有的突破，其核心优势之一在于推理阶段高度灵活的“引导”（Guidance）控制能力。无论是经典基于梯度的分类器引导（Classifier Guidance），还是无分类器引导（Classifier-Free Guidance），本质上都是利用贝叶斯法则在特定条件事件或类别标签 $y=c$ 下对采样漂移项进行倾斜，以实现受控生成。然而，在诸多高级应用场景中，控制目标并非简单的离散类别或特定事件，而是要求生成样本服从某种全局边际特征分布、满足人口统计学均等、或者消除不同敏感属性之间的非线性耦合。

现有针对此类复杂控制的研究往往陷入经验主义的困境：它们大多依赖启发式修改反向动力学或人为构造能量函数，导致最终生成所逼近的真实目标概率分布并不显式透明，难以建立严格的统计学收敛与信息几何解释。例如在生成公平性与去偏研究中，常用方法多是通过外加网络输出的散度惩罚进行批量引导，或者通过多模态文本提示进行隐式干预，却无法保证在修正边际属性的同时对联合分布引入最小程度的失真，更难以表达“让多个属性相互统计独立”这一天然的边际分布约束。

面对贝叶斯条件化无法直接处理“边际分布匹配”这一根本限制，本文转换视角，引入了概率认识论与统计物理中的经典工具——杰弗里斯条件化规则（Jeffrey's Rule of Conditioning）。该规则允许在给定先验联合分布的前提下，将某个子变量的边际分布精确更新至目标参考分布，同时严格保持反向条件分布不变（即“刚性”或 J-条件），其在信息几何上恰好对应最小 Kullback-Leibler 散度下的信息投影（I-projection）。本文的核心 idea 是：将扩散模型的通用采样控制形式化为杰弗里斯规则下的边际分布更新，推导出基于密度比与 Tweedie 清洁样本估计的即插即用引导评分（Jeffrey Guidance），使扩散模型无需重新训练即可精确对齐目标特征分布并显式解耦敏感属性。

方法详解¶

整体框架¶

Jeffrey Guidance 的核心逻辑在于将扩散模型的采样动力学与杰弗里斯条件化更新建立显式联系。给定由预训练扩散模型建模的图像空间 $\mathcal{X}$ 与属性/特征空间 $\mathcal{Y}$ 的联合分布 $p(\mathbf{x}, \mathbf{y}) = p(\mathbf{x} \mid \mathbf{y}) p(\mathbf{y})$，我们的控制目标是将特征边际分布 $p(\mathbf{y})$ 替换为预设的目标分布 $p^\star(\mathbf{y})$，同时保持条件分布不变，即 $p^\star(\mathbf{x} \mid \mathbf{y}) = p(\mathbf{x} \mid \mathbf{y})$。由此诱导出的目标数据分布为 $p^\star(\mathbf{x}) = p(\mathbf{x}) \int p(\mathbf{y} \mid \mathbf{x}) \rho(\mathbf{y}) \mathrm{d}\mathbf{y}$，其中 $\rho(\mathbf{y}) = p^\star(\mathbf{y}) / p(\mathbf{y})$ 为边际密度比。

在采样过程中，通过 Tweedie 公式从带噪状态 $\mathbf{x}_t$ 估计无噪重构样本 $\widehat{\mathbf{x}}_0(\mathbf{x}_t, t)$，将复杂的时变能量梯度近似为基于 $\widehat{\mathbf{x}}_0$ 的密度比对数梯度，并在指定的逆扩散时间窗口 $\delta$ 内施加加权修正。该流程完全即插即用，不仅涵盖了经典分类器引导作为退化特例，更拓展到了高维特征嵌入匹配（如 Inception 特征分布对齐）与多属性统计解耦（如性别与年龄的相互独立约束）。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入：反向扩散带噪状态 $\mathbf{x}_t$<br/>及预训练分数网络 $\mathbf{s}_{\boldsymbol{\theta}}(\mathbf{x}_t, t)$"] --> B["基于杰弗里斯条件化规则的目标边际分布更新<br/>定义目标边际 $p^\star(\mathbf{y})$ 并保持条件刚性 $p(\mathbf{x}\mid\mathbf{y})$"]
    B --> C["基于 Tweedie 估计与密度比估计的即插即用引导评分<br/>通过 $\widehat{\mathbf{x}}_0$ 评估密度比 $\rho(\mathbf{y})$ 并计算梯度修正项"]
    C --> D["基于目标特征匹配与属性解耦的通用控制应用<br/>Inception 嵌入空间对齐 / 敏感属性均衡与相互解耦"]
    D --> E["输出：符合目标边际分布的生成样本 $\mathbf{x}_0$<br/>显著降低 FID / 实现属性间统计独立与公平性"]

关键设计¶

1. 基于杰弗里斯条件化规则的目标边际分布更新：在保持条件结构下最小扰动匹配目标分布 标准贝叶斯采样控制受限于特定具体事件 $y=c$ 的后验推断，无法表达对整体边际分布形态的干预。杰弗里斯规则（Jeffrey, 1957; Diaconis & Zabell, 1982）提供了一种将联合分布 $p(\mathbf{x}, \mathbf{y})$ 转换至新分布 $p^\star(\mathbf{x}, \mathbf{y})$ 的极小扰动范式。在保持条件分布不变（即“刚性约束”或 J-condition: $p^\star(\mathbf{x} \mid \mathbf{y}) = p(\mathbf{x} \mid \mathbf{y})$）的条件下，当边际分布被强制替换为预先设定的目标分布 $p^\star(\mathbf{y})$ 时，更新后的联合概率密度为 $p^\star(\mathbf{x}, \mathbf{y}) = p(\mathbf{x} \mid \mathbf{y}) p^\star(\mathbf{y})$。

由 Diaconis & Zabell (1982) 的定理可知，在所有满足边际约束 $q(\mathbf{y}) = p^\star(\mathbf{y})$ 的概率分布 $q$ 中，$p^\star$ 恰好是与原分布 $p$ 在相对熵（KL 散度）意义下距离最近的分布，即信息投影（I-projection）： $$p^\star = \arg\min_{q: q(\mathbf{y})=p^\star(\mathbf{y})} D_{\mathrm{KL}}(q \parallel p)$$ 当目标分布相对于原边际绝对连续时，利用贝叶斯公式将积分转换，新边缘分布可严格表示为原分布的重加权形式： $$p^\star(\mathbf{x}) = p(\mathbf{x}) \int p(\mathbf{y} \mid \mathbf{x}) \rho(\mathbf{y}) \mathrm{d}\mathbf{y}, \quad \text{其中 } \rho(\mathbf{y}) \coloneqq \frac{p^\star(\mathbf{y})}{p(\mathbf{y})}$$ 若特征提取是确定性可微映射 $\mathbf{y} = u(\mathbf{x})$，则条件概率变为狄拉克测度 $p(\mathbf{y} \mid \mathbf{x}) = \delta_{u(\mathbf{x})}(\mathbf{y})$，公式退化为简洁的乘性加权 $p^\star(\mathbf{x}) = p(\mathbf{x}) \rho(u(\mathbf{x}))$。当 $p^\star(\mathbf{y}) = \delta_c(\mathbf{y})$ 时，公式进一步退化为经典的类别条件采样 $p(\mathbf{x} \mid c)$。这证明了分类器引导只是杰弗里斯引导框架在退化狄拉克目标下的一个极度特例。

2. 基于 Tweedie 估计与密度比估计的即插即用引导评分：无需重训扩散主干的梯度修正机制 在连续时间扩散模型的逆向采样过程中，准确采样自加权目标分布 $p^\star(\mathbf{x}) \propto p(\mathbf{x}) \exp(-\mathcal{E}(\mathbf{x}))$ 需要计算带噪边缘分布的对数梯度 $\nabla_{\mathbf{x}_t} \log p^\star_t(\mathbf{x}_t)$。直接计算该时变边际边缘需要对逆向转移核积分，计算上极其昂贵且难以直接求解。为了实现无需微调扩散主干的高效推理，本文引入基于 Tweedie 公式（Efron, 2011）的无噪样本近似： $$\widehat{\mathbf{x}}_0(\mathbf{x}_t, t) = \frac{1}{\sqrt{\bar{\alpha}_t}} \left( \mathbf{x}_t + (1 - \bar{\alpha}_t) \mathbf{s}_{\boldsymbol{\theta}}(\mathbf{x}_t, t) \right) \approx \mathbb{E}_{p_{t\mid 0}(\mathbf{x}_0 \mid \mathbf{x}_t)}[\mathbf{x}_0]$$ 将确定性映射或分类器直接作用于预测的清洁图像 $\widehat{\mathbf{x}}_0(\mathbf{x}_t, t)$，推导出离散反向扩散步骤中的修正引导评分公式： $$\nabla_{\mathbf{x}_t} \log \tilde{p}^\star_t(\mathbf{x}_t) = \nabla_{\mathbf{x}_t} \log p_t(\mathbf{x}_t) + \lambda \nabla_{\mathbf{x}_t} \log \int p(\mathbf{y} \mid \widehat{\mathbf{x}}_0(\mathbf{x}_t, t)) \rho(\mathbf{y}) \mathrm{d}\mathbf{y}$$ 对于确定性连续映射（如 Inception 特征提取），密度比 $\rho(\mathbf{y})$ 的估计通过经典的概率二分类策略（Sugiyama et al., 2012）完成：在目标数据特征样本（标记为 $\ell=1$）和生成模型特征样本（标记为 $\ell=0$）之间训练一个浅层 MLP 分类器 $\mathcal{D}_\phi(\mathbf{y})$，利用贝叶斯法则得到 $\rho(\mathbf{y}) \approx \frac{\mathcal{D}_\phi(\mathbf{y})}{1 - \mathcal{D}_\phi(\mathbf{y})}$。由于初期扩散时间步 $t$ 较大时高斯噪声主导、$\widehat{\mathbf{x}}_0$ 预测失真较严重，算法引入关键时间窗超参数 $\delta$（仅当 $t \le \delta$ 时激活引导项），有效避免了噪声伪影并在微弱额外计算代价下保证了反向轨迹的数值稳定性。

3. 基于目标特征匹配与属性解耦的通用控制应用：从嵌入空间对齐到敏感属性去相关 利用该框架对一般边际分布的精确表达能力，本文将其落地于两大截然不同且传统引导难以触及的控制任务：首先是连续嵌入分布匹配（Embedding Guidance）。以生成模型评估核心指标 FID 所使用的 Inception 嵌入空间为例，令 $\mathbf{y} = u_{\mathrm{in}}(\mathbf{x})$，设定目标边际分布为训练集真实数据的嵌入分布 $p^\star(\mathbf{y}) = q_{\mathrm{data}}(\mathbf{y})$。通过最小化嵌入空间的分布漂移，引导评分直接指导生成轨迹向高密度真实特征区靠拢。

其次是敏感属性分布匹配与统计解耦（Fairness & Decorrelation）。在多敏感属性控制中，设图像属性为 $\mathbf{a} = (\mathbf{a}_1, \dots, \mathbf{a}_n)$： - 单属性均衡（Distribution Matching）：以性别均等为例，设定目标离散分布为均匀分布 $p^\star(\mathbf{a}_1) = 0.5$。引导项在每个去噪时间步动态权衡两个类别的似然贡献，其梯度项为： $$\nabla_{\mathbf{x}_t} \log \left( \frac{p_{\boldsymbol{\theta}}(1 \mid \widehat{\mathbf{x}}_0)}{2 p_{\boldsymbol{\theta}}(1)} + \frac{p_{\boldsymbol{\theta}}(0 \mid \widehat{\mathbf{x}}_0)}{2 p_{\boldsymbol{\theta}}(0)} \right)$$ - 属性统计独立解耦（Decorrelation）：针对人脸生成中常见的偏见耦合（如年轻度 Young 与性别 Male 之间的显著虚假相关），传统方法无法设定联合优化方向。Jeffrey Guidance 将相互独立直接定义为目标边际分布 $p^\star(\mathbf{a}_1, \dots, \mathbf{a}_n) = \prod_{i=1}^n p_{\boldsymbol{\theta}}(\mathbf{a}_i)$，推导出闭式密度比 $\rho(\mathbf{a}_1, \dots, \mathbf{a}_n) = \frac{\prod_{i=1}^n q_{\boldsymbol{\theta}}(\mathbf{a}_i)}{q_{\boldsymbol{\theta}}(\mathbf{a}_1, \dots, \mathbf{a}_n)}$。通过联合属性分类器，引导评分在逆向扩散中自适应压制高频优势组别（如年轻女性）、提升稀缺组别概率，从根本上消除了属性间的虚假相关性。

损失函数 / 训练策略¶

整个框架完全建立在预训练扩散模型与推理阶段引导之上，主扩散网络参数保持冻结。涉及的轻量辅助模块训练与推理策略如下： - 密度比与属性分类器训练：针对 Inception 嵌入向量（维度相对较低），使用单隐层 MLP 分类器通过标准交叉熵损失训练 15 个 epoch，学习率设为 $10^{-3}$，数据来源仅为训练集真实样本特征与未引导模型生成的样本特征（完全不触碰测试集）。对于人脸属性任务，在 CelebA-HQ 上使用预训练 ResNet 微调一个联合预测器（预测 $2^n=4$ 个联合状态），验证集早停。 - 采样与引导超参数配置：扩散反向过程采用 DDIM 采样器，设置总采样步数为 100 步，随机扰动系数 $\eta = 0.2$。引导强度 $\lambda$ 作为温度超参数调节分布偏置与图像保真度的权衡；引导时间窗口 $\delta$ 控制干预步数范围（$\delta \le 1000$）。对于属性均衡和解耦实验，全局设置 $\delta=1000$（全程引导）；对于 Inception 嵌入对齐实验，对比了 $\delta \in \{10, 50, 100, 300, 600, 1000\}$。

实验关键数据¶

主实验¶

本文在 CIFAR-10（$32\times 32$）、FFHQ（$256\times 256$）和 CelebA-HQ（$256\times 256$）三个基准数据集上进行了详尽的定量验证。主实验聚焦于两大人脸属性公平性与统计控制任务：属性分布均等化（Gender Parity，评估指标为 Fairness Discrepancy FD 与图像质量 FID）以及敏感属性解耦（Male 与 Young 属性的 Pearson 相关系数 $\varphi$）。

表 1：CelebA-HQ 上性别均等分布匹配（Gender Parity）对比（$\mathbf{y}_m$ 表示 Male 属性；FD 衡量分类器预测期望与目标均匀分布的 $L_2$ 偏差，$\downarrow$ 为优；FID $\downarrow$ 为优）

引导强度 $\lambda$	Jeffrey 引导 $P(\mathbf{y}_m=1)$	Jeffrey 引导 FD ($\downarrow$)	Jeffrey 引导 FID ($\downarrow$)	标准先验引导 $P(\mathbf{y}_m=1)$	标准先验引导 FD ($\downarrow$)	标准先验引导 FID ($\downarrow$)
0.0 (未引导基线)	0.296	0.288	22.30	0.296	0.288	22.30
0.5	0.348	0.214	21.71	0.319	0.255	22.94
1.0	0.411	0.125	21.24	0.398	0.142	22.34
2.0	0.522	0.032	21.61	0.474	0.037	23.18
3.0	0.615	0.162	23.16	0.510	0.014	24.33
5.0	0.767	0.378	28.28	0.640	0.198	35.92
8.0	0.889	0.551	35.08	0.781	0.219	56.31

表 2：CelebA-HQ 上 Male ($\mathbf{y}_m$) 与 Young ($\mathbf{y}_y$) 属性解耦实验（目标为使得皮尔逊相关系数 $\varphi \to 0$；联合概率分布包含 $P(0,0)$ 女性非年轻、$P(0,1)$ 女性年轻、$P(1,0)$ 男性非年轻、$P(1,1)$ 男性年轻）

引导强度 $\lambda$	相关系数 $\varphi(\mathbf{y}_m, \mathbf{y}_y)$	$P(\mathbf{y}_m=1)$	$P(\mathbf{y}_y=1)$	$P(0,0)$	$P(0,1)$	$P(1,0)$	$P(1,1)$	FID ($\downarrow$)
0.0 (未引导基线)	-0.541	0.264	0.822	0.040	0.696	0.138	0.126	22.30
1.0	-0.351	0.265	0.810	0.079	0.656	0.111	0.154	22.55
3.0 (最佳解耦)	0.005	0.274	0.718	0.206	0.520	0.076	0.198	23.59
5.0 (过调过度)	+0.283	0.281	0.587	0.359	0.360	0.054	0.228	25.23

在嵌入分布对齐实验中，Jeffrey Guidance 展示出直接优化评价指标的惊人能力： - CIFAR-10：训练集 FID（50k）从未引导的 5.88 骤降至 2.55；测试集 FID（10k）从未引导的 9.76 显著下降至 6.71。对比之下，标准引导基线在测试集上仅能将 FID 缩减至约 8.8。 - FFHQ-256：测试集 FID（10k）从原始无引导模型的 20.13 大幅降低至 12.91（降幅超 35%）。

消融实验¶

针对引导窗口步数 $\delta$ 与引导强度 $\lambda$ 的交互作用，论文在 CIFAR-10 和 FFHQ 上进行了系统消融。

表 3：Inception 嵌入对齐在 FFHQ-256 (10k test) 上的时间窗口与强度消融

时间窗口配置 $\delta$	对应采样阶段	最优引导强度 $\lambda^\star$	达成最优测试 FID ($\downarrow$)	相比基线 (20.13) 变化	运行稳定性与形变现象
$\delta = 1000$	全程 100 步全部激活	0.2	18.45	-1.68	较大 $\lambda$ 极易导致背景产生明显伪影与模式坍塌
$\delta = 600$	逆向去噪前中期介入	0.5	16.20	-3.93	允许适度强度，像素级发生局部纹理修饰
$\delta = 100$	逆向去噪后期介入	5.0	14.11	-6.02	稳定性显著提升，几乎无大范围结构漂移
$\delta = 10$ (极简最后一步)	仅最后 1 步去噪激活	30.0	12.91	-7.22	表现最佳且算力开销极小，图像感知无损且 FID 降幅最大

关键发现¶

逆向末期单步干预（$\delta=10$）优于全程多步干预：在 Inception 嵌入对齐任务中，仅在逆扩散的最后一步施加 Jeffrey 引导获得了全场最低的 FID（FFHQ 从 20.13 降至 12.91）。这是因为特征嵌入本身是在去噪完全的无伪影图像上计算的，早期基于粗糙 $\widehat{\mathbf{x}}_0$ 的多步累积引导会导致生成轨迹漂移过大；而末期微小的高强度扰动能精准对齐流形外围分布。
FID 下降与像素感官质量解耦的深刻反思：深入定性与 CMMD 评估表明，在 $\delta=10$ 时尽管 FID 获得了断崖式改善，生成图像在像素层面肉眼几乎不可分辨任何变化；只有在 $\delta=600$ 时才会产生可见的局部背景细节微调。这从侧面有力实证了当前主流生成评估指标 FID 对嵌入空间密度微小漂移的极度敏感性，验证了近期学术界对 FID 作为感知质量代理指标的质疑。
选择性温和修正而非强制推翻：在人脸性别均衡实验中，可视化结果表明 Jeffrey Guidance 具有高度自适应的“保真选择性”——它仅对靠近决策边界的模糊样本施加微调以翻转属性（见其连续概率调节项），而对属性极其置信的原本样本几乎零修改；相比之下，标准先验引导强制对所有抽取到反向标签的样本做剧烈拉扯，导致人脸畸变且 FID 严重恶化（如 $\lambda=8.0$ 时标准引导 FID 飙升至 56.31，而 Jeffrey 引导仍保持在 35.08）。
属性独立性可纯粹通过自适应抑制主模态达成：在 Young 与 Male 属性解耦任务中，相关系数从 -0.541 精确收敛到 0.005，主要动力来自于将数据集中占据压倒性统治地位的“年轻女性”（$P(0,1)$ 从 69.6% 压低至 52.0%）概率让渡给“年长女性”（$P(0,0)$ 从 4.0% 补全至 20.6%），在未重训模型的条件下实现了真正的统计正交化。

亮点与洞察¶

将认识论经典规则植入现代扩散模型：杰弗里斯条件化规则沉睡于形式哲学与数理统计文献中数十年，本文首次将其与连续状态扩散逆过程融为一体，赋予了非经典条件扩散引导坚实的信息几何与 I-projection 理论支柱。
重新审视并统一经典分类器引导：不仅提出新方法，更从数学上证明了经典的分类器引导只是目标边际退化为狄拉克脉冲分布时的特例，打通了“微观单点事件条件化”与“宏观全域边际分布控制”的理论鸿沟。
即插即用且完全免重训：无需对动辄数十亿参数的扩散模型进行任何 LoRA、Adapter 或全参数微调，仅依靠推理阶段注入的闭式对数密度比梯度，即在几行代码内实现了对嵌入分布与多属性关联的全局操纵。
对现代生成评估体系的建设性启发：通过在不改变图像感官质量的前提下“操纵”嵌入空间降低 FID，为今后利用引导技术优化特定评测基准，以及重新设计更鲁棒的图像生成评估指标（如 CMMD、FD）提供了极佳的范式参考。

局限与展望¶

依赖预先训练的辅助判别器与密度比估计器：当前实现中，无论是 Inception 连续分布还是人脸多属性离散分布，均需训练一个额外的浅层 MLP 或 ResNet 分类器来逼近密度比。作者在结语中指出，未来的核心演进方向应探索类似于从分类器引导迈向“无分类器引导”（Classifier-Free Jeffrey Guidance）的内生化机制。
Tweedie 近似带来的理论间隙：当前算法将复杂的噪声边际期望 $\mathbb{E}_{p_{0|t}}[u(\mathbf{x}_0)]$ 简化为非线性映射对均值的直接作用 $u(\widehat{\mathbf{x}}_0)$，在 Jensen 不等式意义下引入了确定性近似偏差，导致在复杂任务中需要人工调节经验参数 $\lambda > 1.0$ 来补偿梯度衰减。
多连续高维变量下的密度比估计挑战：虽然对于离散属性组合（如 $2^n$ 类别）或单变量连续嵌入效果拔群，但若要同时对多个连续且高维的几何/纹理流形进行联合解耦，判别式密度比估计将遭遇维数灾难，需要结合更先进的非平衡能量估计技术（如对比能量预测）。

评分¶

新颖性: ⭐⭐⭐⭐⭐（首次将杰弗里斯条件化规则引入扩散模型采样控制，理论视野开阔，将经典条件引导升华至边际分布控制层面）
实验充分度: ⭐⭐⭐⭐☆（覆盖 CIFAR-10、FFHQ 和 CelebA-HQ，定量分析深入，消融设计清晰；但受限于密度比估计器，实验尚未拓展至超大规模多模态生成模型）
写作质量: ⭐⭐⭐⭐⭐（数学推导严丝合缝，从认识论背景到扩散离散步逼近过渡自然，局限性讨论诚恳客观）
价值: ⭐⭐⭐⭐⭐（为无需微调的模型对齐、评测指标优化及算法公平性治理提供了全新且极具通用性的数学底座）

时间窗口配置 \(\delta\)	对应采样阶段	最优引导强度 \(\lambda^\star\)	达成最优测试 FID (\(\downarrow\))	相比基线 (20.13) 变化	运行稳定性与形变现象
\(\delta = 1000\)	全程 100 步全部激活	0.2	18.45	-1.68	较大 \(\lambda\) 极易导致背景产生明显伪影与模式坍塌
\(\delta = 600\)	逆向去噪前中期介入	0.5	16.20	-3.93	允许适度强度，像素级发生局部纹理修饰
\(\delta = 100\)	逆向去噪后期介入	5.0	14.11	-6.02	稳定性显著提升，几乎无大范围结构漂移
\(\delta = 10\) (极简最后一步)	仅最后 1 步去噪激活	30.0	12.91	-7.22	表现最佳且算力开销极小，图像感知无损且 FID 降幅最大