[CVPR 2026 预研] CFG-Ctrl：深度控场！滑动模态控制重塑 Diffusion 语义引导

TL;DR

即使是当前最强的开源模型（如 SD3.5 或 Flux），在追求极高的文字指令符合度（即调大 CFG Scale）时，也难免会出现画面焦烂、色彩诡异的“过度指导”现象。清华大学等机构的研究者在 CFG-Ctrl 论文中给出了一个硬核解法：不再把 CFG 看作简单的数值外推，而是将其建模为一个反馈控制问题。 通过引入工业视觉中常用的滑动模态控制 (SMC)，他们让生成流始终跑在预设的“稳定轨道”上。

背景定位：从“线性外推”到“反馈控制”

在扩散模型中，Classifier-Free Guidance (CFG) 是语义对齐的基石。长期以来，我们习惯于公式： v_guided = v_uncond + w * (v_cond - v_uncond) 这本质上是一个比例控制 (P-control)。作者敏锐地发现，随着模型预测的推进，条件与无条件之间的差异 e(t) 应当自然地趋于零。但在高维空间中，这种简单的线性增益往往会导致系统不稳定，就像给一辆高速行驶的赛车猛打方向盘，极易导致“翻车”（图像崩坏）。

痛点深挖：为什么大尺度 CFG 会失效？

当指导尺度 w 增大时，即便是一个微小的预测偏差也会被无限放大。传统的线性补偿无法应对生成流本身高度非线性的特征。在 (e, ė) 相位平面上，标准 CFG 的轨迹往往是震荡甚至发散的。

左图显示了标准 CFG 在高增益下的震荡发散；右图展示了 SMC-CFG 如何通过开关控制强制回归滑动面。

核心机制：SMC-CFG 的非线性魔法

作者提出的 SMC-CFG 引入了两个关键概念：

1. 滑动面 (Sliding Surface)：定义一个理想的收敛目标 s(t) = ė(t) + λ e(t)。只要系统处于 s=0 的面上，收敛就是指数级稳定的。
2. 开关控制 (Switching Control)：为了让系统迅速“跳”回这个滑动面，作者引入了一个非线性的校正项 Δe = -k * sign(s)。

这种设计不仅提供了强大的反馈能力，更重要的是，作者通过 Lyapunov 稳定性分析 在数学上证明了系统能在有限时间内强制收敛。这让原本不可控的生成轨迹有了理论维度的“保底”。

算法 1 展示了如何在每一步 ODE 更新前，利用上一步的误差导数来计算当前的 SMC 修正量。

实验战绩：全方位的视觉提升

研究团队在 Stable Diffusion 3.5, Flux-dev, Qwen-Image 等主流重量级模型上进行了深度测试：

• 语义对齐更高：在 MS-COCO 的文本-图像对齐测试（CLIP Score）中取得显著提升。
• 视觉鲁棒性极佳：以往标准 CFG 在尺度超过 10 时往往画面崩溃，而 SMC-CFG 即使在极大尺度下依然能保持画面的真实感知度。
• 不增加延迟：尽管背后的数学推导复杂，但实际计算只需简单的向量运算，推理速度几乎零损失。

对比 Table 2 可知，SMC-CFG 在 ImageReward 和人类偏好分（HPSv2.1）上均大幅领先。

深度洞察

SMC-CFG 的本质贡献在于解耦了“指导强度”与“系统稳定性”。在传统方法中，这两者是矛盾的；但在 SMC 框架下，高增益的副作用被非线性开关项抵消了。

不过，该方法也存在局限：它新引入了两个超参数 λ (滑动面形状) 和 k (增益强度)。虽然论文给出了网格搜索建议，但对于不同风格分布的微调模型，可能仍需要少量的调优工作。

总结

CFG-Ctrl 为我们提供了一个全新的学术视角：Diffusion 的采样不仅仅是统计推断，更是一场精密的控制游戏。 随着基础模型向视频、3D 甚至物理仿真领域迈进，这种具备理论稳定性保障的控制方案，或许会成为未来生成引擎的标准配置。

本文由资深技术主编重构。更多细节见项目主页：https://hanyang-21.github.io/CFG-Ctrl.