CFG Scale引导：图像生成质量调控

可视化演示

演示扩散模型双路径推理机制、CFG引导强度对图像质量与多样性的权衡、负向Prompt协同工作原理，交互调节CFG值查看效果变化。

CFG数学原理

导航不是凭空开口的。在你深夜出发前，导航已经做了两件事：拿到你手机上报的“当前位置”，读入你输入的目的地。然后它结合地图数据库，给出“前方右转”的指令。Stable Diffusion 里的“导航”——噪声预测网络也是同样的工作模式：它拿到当前版本的图像状态，抬头看一眼你写的文本提示，再参照自己在大规模图像上学到的“城市地图”（模型参数），输出一条指向“去噪方向”的建议。

但如果你把文本提示撤掉，只在输入里留一个空占位符，导航就变成了“盲导”——它不知道该把你往哪送，只能凭对城市平均路况的记忆给出一个最平庸的建议。前者叫“条件预测”，后者叫“无条件预测”。CFG 的核心思想，就是把这两个建议放到一起看：条件建议与直觉建议差多少，差出来的方向，就是提示词真正想让你去的地方。

$$\hat{\epsilon} = \epsilon_\theta(z_t, \varnothing) + w \times \left[ \epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, \varnothing) \right]$$

1. 无条件预测项：去噪网络不看任何文本提示，只凭当前的带噪图像 \( z_t \) 预测噪声，这是生成的“直觉基线”。

$$\epsilon_\theta(z_t, \varnothing)$$

2. 条件预测项：去噪网络在文本嵌入 \( c \) 的引导下预测噪声，代表导航给出的“路线建议”。

$$\epsilon_\theta(z_t, c)$$

3. 引导向量：条件预测减去无条件预测，得到文本提示带来的方向修正量，这是引导的核心动力。

$$\Delta = \epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, \varnothing)$$

4. 缩放因子加权：用引导强度 \( w \) 放大或缩小修正量，\( w \) 越大，提示词的影响力越强。

$$w \times \Delta$$

5. 合成引导噪声：在直觉基线上叠加加权后的修正量，得到真正用于去噪的混合噪声。

$$\hat{\epsilon} = \epsilon_\theta(z_t, \varnothing) + w \times \Delta$$

所以 CFG Scale 并不是一个“油门”，它是一个“差值放大器”。它不直接决定图像长什么样，而是决定“提示词与直觉的分歧”被放大到什么程度。信任导航的差值多一点，画面就往提示词方向多挪一点；这不正是你在车里做的动作吗——采纳导航的修正，而不是完全丢掉自己的驾驶直觉。

条件与无条件

深夜开车，最考验人的不是技术，而是“方向感从哪来”。如果手机没电、导航失灵，你只能靠平时对这座城市的模糊印象——哪条路热闹、哪条街是单行线——这就是无条件生成：模型没有文本可看，只能依赖训练数据里学到的“平均世界”，画出来的东西像一张没有主题的信手涂鸦，看着合理，却抓不住重点。

当你把“一只戴着草帽的柴犬在沙滩上”写进提示词，导航就上线了。文本编码器把这句话变成一个高维向量，注入噪声预测网络，模型开始把每一次去噪都往“戴草帽的柴犬”方向拉扯。注意：条件预测并不是凭空新建一张图，而是在同一个模型里，用文本条件改变了输出的噪声分布。

$$z_{t-1}^{(\varnothing)} = z_t - \epsilon_\theta(z_t, \varnothing), \qquad z_{t-1}^{(c)} = z_t - \epsilon_\theta(z_t, c)$$

1. 无条件去噪路径：不提供任何文字信息，模型依靠训练数据形成的先验完成一步去噪，结果偏向“平均化”的图像。

$$z_{t-1}^{(\varnothing)} = z_t - \epsilon_\theta(z_t, \varnothing)$$

2. 条件去噪路径：注入文本条件 \( c \) 后，模型预测的噪声包含了“语义修正”，去噪结果明显向提示词描述的内容靠拢。

$$z_{t-1}^{(c)} = z_t - \epsilon_\theta(z_t, c)$$

3. 两条路径的差异：把两条路径的预测噪声相减，得到的就是“文本条件带来的语义方向”，CFG 正是沿这个方向施加拉力。

$$z_{t-1}^{(c)} - z_{t-1}^{(\varnothing)} = \epsilon_\theta(z_t, \varnothing) - \epsilon_\theta(z_t, c)$$

两条路径就像同一个司机的两种状态：没有导航时，他凭肌肉记忆开；有导航时，他按前方路牌开。CFG 要做的，就是不断把这两个状态下的方向盘角度相减，提取出“路牌到底在纠正什么”。条件与无条件越不同，说明提示词越有主见，引导向量也越强劲。

强度与多样性

你终于开上了城市快速路，导航说“保持直行”，但你开始纠结：完全听导航，是不是会错过路边那家传说中很好吃的夜宵摊？信任度调到最低，你会自由变道，享受探索的乐趣，但也可能开到一个和目的地毫无关系的地方；信任度调到最高，你目不斜视直奔终点，一路上什么风景都没看到。

这个“自由探索 vs 直奔主题”的矛盾，映射到图像生成上就是多样性（diversity）与贴合度（fidelity）的经典权衡。\( w \) 很小时，模型几乎只按条件预测去噪，但因为没有额外的“放大推力”，提示词的约束很松，同一提示词能生成差异很大的构图；\( w \) 很大时，模型把每一处“提示词与直觉的分歧”都当成圣旨，图像确实非常贴题，但所有样本都挤向同一个狭窄的峰值，几乎失去了变化空间。

$$\lim_{w \to 1^{+}} \hat{\epsilon} = \epsilon_\theta(z_t, c), \qquad \lim_{w \to \infty} \hat{\epsilon} \approx w \cdot \left[ \epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, \varnothing) \right]$$

1. 低档极限：当 \( w \) 从右侧趋近 1 时，修正量被完全保留但不再放大，结果恰好是纯条件预测，提示词温和生效。

$$\lim_{w \to 1^{+}} \hat{\epsilon} = \epsilon_\theta(z_t, c)$$

2. 高档极限：当 \( w \) 趋于无穷时，直觉基线项被淹没，只剩被无限放大的差值项，图像被强行拽向提示词。

$$\lim_{w \to \infty} \hat{\epsilon} \approx w \cdot \left[ \epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, \varnothing) \right]$$

3. 多样性崩溃：差值项本身携带随机波动，无条件基线的“自由感”被压制后，同一批种子生成的图像会高度雷同。

$$\Delta_{\text{shared}} = \epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, \varnothing)$$

这就像你一次次提高导航音量：刚开始，提示词的声音盖过了你的直觉，图像变得“听话”；可音量开到最大，满耳朵都是“左转左转左转”的机器音，你反而听不见路况，动作变形，撞上护栏。回看 CFG：7 附近往往是“听得清导航又不失判断力”的甜点区，10 以上就进入“路怒”区间了。

负向提示词

有导航不等于无忧无虑。有些路你心里是有数的：不想走高架，太堵；不想走河边，怕车技不够。导航也懂这个——你可以在设置里勾选“避开高速”“避开收费路段”。在 Stable Diffusion 里，这个“避开”的开关就是负向提示词（negative prompt）。

普通提示词是正向条件，告诉模型“要什么”；负向提示词是另一个文本嵌入，告诉模型“不要什么”——比如“水印、模糊、畸形手指、过曝”。模型同样会对负向条件做一次条件预测，得到一个“反面教材的引导方向”，然后在最终的引导里把它减掉，形成一条安全走廊。

$$\hat{\epsilon} = \epsilon_\theta(z_t, \varnothing) + w_p \cdot \left[ \epsilon_\theta(z_t, c_p) - \epsilon_\theta(z_t, \varnothing) \right] - w_n \cdot \left[ \epsilon_\theta(z_t, c_n) - \epsilon_\theta(z_t, \varnothing) \right]$$

1. 正向条件嵌入：正向提示词 \( c_p \) 描述“想要的内容”，生成正向引导向量。

$$\epsilon_\theta(z_t, c_p) - \epsilon_\theta(z_t, \varnothing)$$

2. 负向条件嵌入：负向提示词 \( c_n \) 描述“想避免的内容”，同样得到一条引导向量。

$$\epsilon_\theta(z_t, c_n) - \epsilon_\theta(z_t, \varnothing)$$

3. 正向引导加权：用正向强度 \( w_p \) 放大“要什么”的修正力度。

$$w_p \cdot \left[ \epsilon_\theta(z_t, c_p) - \epsilon_\theta(z_t, \varnothing) \right]$$

4. 负向引导削减：用负向强度 \( w_n \) 减去“不要什么”的方向，把模型推离雷区。

$$- w_n \cdot \left[ \epsilon_\theta(z_t, c_n) - \epsilon_\theta(z_t, \varnothing) \right]$$

5. 双向合成：最终引导噪声同时包含“靠近正向”与“远离负向”两种力量。

$$\hat{\epsilon} = \epsilon_u + w_p \, \Delta_p - w_n \, \Delta_n$$

回看导航：正向导航给你“该走的路”，负向导航给你“千万别走的路”，两个声音一加一减，你就在这条安全走廊里稳稳前进。注意负向提示词的权重 \( w_n \) 并不是越大越好——把“避开”拉满，等于导航反复警告“前面有坑”，你反而会因为过度紧张而手忙脚乱，生成出另一种奇怪伪影。

参数调优实战

熟悉城市的老司机从不把导航音量调到一个固定值走天下：高速上听个大概，进了老城区就调大声音逐句听。CFG Scale 的调节同样讲究“路况适配”，你生成的题材不同，甜点区间也不同。

经验上：写实人像、产品展示这类“必须贴题”的场景，CFG 7-10 之间能兼顾还原与自然；概念插画、风格探索这类“要留白”的场景，4-6 更舒服；一旦画面里要出现文字、Logo 这类“差一点就穿帮”的元素，可以大胆上到 10-12，代价是要防着伪影；超过 15 就进入危险区，画面会像过度锐化的照片一样发硬。

$$\text{Score}(w) = \alpha \cdot \text{align}(x_w, c) - \beta \cdot \text{art}(x_w)$$

1. 贴合度项：衡量生成图像 \( x_w \) 与提示词 \( c \) 的语义匹配程度，\( w \) 越大通常越贴合。

$$\text{align}(x_w, c)$$

2. 伪影成本项：衡量图像中的过曝、锯齿等画质损伤，\( w \) 过高时急速上升。

$$\text{art}(x_w)$$

3. 权衡系数：\( \alpha \) 与 \( \beta \) 分别控制“贴题”与“画质”两项目标的优先级，可由创作者按题材调整。

$$\alpha, \beta > 0$$

4. 最优档位：找一个 \( w \) 使总分最高，那个位置就是你的甜点区。

$$w^{*} = \arg\max_{w} \text{Score}(w)$$

别人给不了你一个万能档位，就像没人能告诉你“导航音量永远调到 60%”。真正高效的做法是把调参当成选歌单：先粗筛几个档位各生成一张，看哪张“顺耳”，再在附近微调。把贴合度与伪影两个指标装在心里，你就不需要背参数表了。

过曝伪影处理

导航最离谱的时刻是什么？它气定神闲地对你说“请直行进入湖泊”。你如果百分之百信任它，下一秒就连人带车泡水里了。CFG 拉满时，模型也会说出类似鬼话——它无比自信地把颜色推成高饱和的塑料质感，把皮肤画成蜡像，把边缘画出刺眼的锯齿，这就是“过曝伪影”（over-exposure artifacts）。

为什么高 CFG 必然带来伪影？回到公式，被 \( w \) 放大的那个修正量本身也是随机变量，含有噪声成分。当你把修正量放大 \( w \) 倍，它的波动幅度会按 \( w \) 的平方速度膨胀——直觉项还保持在正常范围，修正项却已经像打满鸡血一样横冲直撞。

$$\text{Var}(\hat{\epsilon}) \approx \text{Var}(\epsilon_u) + w^2 \cdot \text{Var}(\Delta)$$

1. 方差分解：混合引导噪声的方差由两个独立来源构成——无条件基线本身、以及被加权的修正量。

$$\text{Var}(\hat{\epsilon}) \approx \text{Var}(\epsilon_u) + \text{Var}(w \cdot \Delta)$$

2. 平方放大：修正量缩放 \( w \) 倍后，其方差变为 \( w^2 \) 倍，这是伪影爆炸的数学根源。

$$\text{Var}(w \cdot \Delta) = w^2 \cdot \text{Var}(\Delta)$$

3. 过曝表现：\( w \) 越大，采样轨迹的波动越剧烈，色彩偏移、细节崩坏等伪影越明显。

$$\text{Var}(\hat{\epsilon}) \approx \text{Var}(\epsilon_u) + w^2 \cdot \text{Var}(\Delta)$$

这解释了为什么“降档”是最有效的修复手段：把导航音量从 20 调回 7，画面立刻从“暴走”状态恢复平静。如果降档后又觉得贴题不够，可以换个思路——不是继续加音量，而是把负向提示词加上“过曝、塑料感、锯齿”，让模型绕开这些雷区。

实战排查流程

老司机拿到一条陌生路线，不会一把油门踩到底，而是先来一次“试驾”：低速跑一遍，确认路况，再决定每段开多快。排查 CFG 也一样——它是一场有方法的实验，而不是靠运气抽卡。

标准动作是分档对照：固定提示词、采样器和步数，用不同档位各生成一张，几张图排在一起，选出那个“既不松散也不过曝”的档位。然后进入微调：主体不满意，就加强正向提示词里对应词组的权重；背景脏乱差，就补一句负向提示词。最后做质量验收——放大看边缘、看皮肤、看文字，确认没有伪影后再定稿。

$$w^{*} = \arg\min_{w \in \mathcal{W}} \left[ \alpha \cdot \left( 1 - \text{align}(x_w, c) \right) + \beta \cdot \text{art}(x_w) \right]$$

1. 候选档位集合：先圈定一组离散的候选值，比如常见的 \( \mathcal{W} \) 集合，覆盖从低到高的代表性档位。

$$\mathcal{W} = \{ w_1, w_2, w_3, \dots, w_n \}$$

2. 对齐惩罚项：\( 1 - \text{align} \) 表示“不够贴题”的代价，值越大说明画面离提示词越远。

$$\alpha \cdot \left( 1 - \text{align}(x_w, c) \right)$$

3. 伪影惩罚项：\( \text{art} \) 表示画质损伤的代价，档位过高时这一项迅速抬升。

$$\beta \cdot \text{art}(x_w)$$

4. 最优档位：找出让总代价最小的那个 \( w \)，就是本次任务的最佳引导强度。

$$w^{*} = \arg\min_{w \in \mathcal{W}} \left[ \alpha \cdot \left( 1 - \text{align}(x_w, c) \right) + \beta \cdot \text{art}(x_w) \right]$$

这套流程本质上是把“导航信任度”当成一个可调旋钮，用对照试验找到它的最佳位置。等你对几个题材多跑几轮，就会形成肌肉记忆——看到一张过曝图，你不再盲目地猛拉 CFG，而是下意识先降档，再补负向提示词，最后在几张候选图里挑出最顺眼的那张。这就是创作者与工具之间的默契。

AI 应用场景

Python 演示

"""Toy demo: CFG Scale guided denoising (educational, no real diffusion)."""import numpy as np  class CFGSimulator:    def __init__(self, size=32, seed=0):        self.size = size        self.rng = np.random.default_rng(seed)        # concept maps act as text embeddings        self.apple = self._make_blob(self.size // 2, self.size // 2, radius=4.0)        self.house = self._make_blob(self.size // 2, self.size // 4, radius=6.0)     def _make_blob(self, cy, cx, radius):        y, x = np.ogrid[:self.size, :self.size]        dist2 = (x - cx) ** 2 + (y - cy) ** 2        return np.exp(-dist2 / (2 * radius * radius))     def predict_noise(self, latent, embedding):        """Mock noise predictor: unconditional drifts, conditional points to concept."""        drift = latent * 0.1        if embedding is None:            return drift + self.rng.normal(0, 0.01, latent.shape)        return drift + embedding * 0.8     def denoise_step(self, latent, embedding, cfg, step_size=0.1):        eps_uncond = self.predict_noise(latent, None)        eps_cond = self.predict_noise(latent, embedding)        eps_guided = eps_uncond + cfg * (eps_cond - eps_uncond)        return latent - step_size * eps_guided     def run(self, prompt="apple", cfg=7.0, steps=50):        if prompt == "apple":            emb = self.apple        else:            emb = self.house        latent = np.random.default_rng(42).normal(0, 1, (self.size, self.size))        for _ in range(steps):            latent = self.denoise_step(latent, emb, cfg)        return latent     @staticmethod    def alignment(latent, embed):        return float(np.mean(latent * embed) / np.sqrt(np.mean(embed ** 2)))  if __name__ == "__main__":    sim = CFGSimulator()    for cfg in [1.0, 3.0, 7.0, 15.0]:        out = sim.run(prompt="apple", cfg=cfg)        score = sim.alignment(out, sim.apple)        max_abs = float(np.max(np.abs(out)))        print("cfg=%5.1f  alignment=%.3f  max_abs=%6.2f" % (cfg, score, max_abs))

1. drift = latent * 0.1模拟无条件分支的“惯性漂移”，相当于关掉导航后凭直觉开车。
2. if embedding is None: return drift + self.rng.normal(...)无条件分支只输出平庸的漂移预测。
3. return drift + embedding * 0.8条件分支被文本概念像导航一样持续拉拽。
4. eps_guided = eps_uncond + cfg * (eps_cond - eps_uncond)CFG 核心公式的代码表达，一行完成“直觉 + 差值放大”。
5. latent = latent - step_size * eps_guided按引导噪声走一步去噪，相当于按导航指令修正一次方向。
6. latent = np.random.default_rng(42).normal(...)固定种子保证不同 CFG 从同一个起点出发，对照才公平。
7. for cfg in [1.0, 3.0, 7.0, 15.0]:分档对照测试的标准写法，跑完四档即可观察趋势。

常见误区

面试题