Stable Diffusion中CFG参数的作用详解

在使用Stable Diffusion等AI绘画工具时，你一定对无分类器引导尺度（Classifier-Free Guidance Scale，简称CFG Scale）这个滑块非常熟悉。它几乎出现在所有主流图像生成界面中，专门用于调节AI对用户输入提示词的遵循程度。调整这个数值，生成的图像效果可能截然不同。今天，我们将深入解析这一关键参数的工作原理与实际应用技巧。

1. CFG Scale到底起什么作用？

理论讲解略显抽象，下面我们通过一组实验来直观体验。使用如下详细提示词：

breathtaking, cans, geometric patterns, dynamic pose, Eclectic, colorful, and outfit, full body portrait, portrait, close up of a Nerdy Cleopatra, she is embarrassed, surreal, Bokeh, Proud, Bardcore, Lens Flare, painting, pa vel, sokov
（令人叹为观止、罐头、几何图案、动感姿态、折衷风格、多彩、服装、全身肖像、肖像画、书呆子气质的克利奥帕特拉特写、感到尴尬、超现实、焦外成像效果、自豪、民谣复兴风、镜头光晕、绘画风格）

接着，我们仅调整CFG Scale数值，观察图像变化。

结果非常直观：

• CFG Scale值极低（例如设为1）：AI几乎完全忽略提示词，生成的内容高度随机，与文本描述几乎无关。
• CFG Scale适中提升至3时：提示词中的风格与元素逐渐清晰呈现。
• CFG Scale达到7或更高时：图像内容高度贴合提示词，但继续增大数值会导致色彩过饱和，画面显得刺眼。因此，广泛使用的经验区间为7至10。这一范围通常能在“遵循提示”与“画面自然”之间取得较好平衡。

2. “CFG=7-10”并非金科玉律

值得注意的是，上述7-10的“舒适区间”主要适用于标准扩散模型。如果使用针对速度优化的模型，规则会有所不同。

例如，在使用LCM LoRA或SDXL Turbo等快速采样模型时，所需的CFG Scale值大幅降低，通常设置1至2即可获得出色效果。如果强行使用高CFG，反而会导致图像质量降低。因此，务必看模型下菜碟。

3. 什么是“无分类器引导”？

要理解“无分类器引导”（Classifier-Free Guidance），需要先了解它试图解决的问题及其前身——“分类器引导”（Classifier Guidance）。

4. 分类器引导：为扩散过程提供“方向”

简单来说，分类器引导是一种技术，通过向扩散模型输入图像标签（例如“猫”），引导生成过程朝向该标签的方向发展。

那么，如何控制“引导”的强度呢？这便引入了分类器引导尺度这一参数。我们可以通过一个比喻来理解：

假设模型训练数据包含“猫”、“狗”、“人”三类图像。如果无任何引导（尺度为0），模型将从所有数据中随机采样，可能生成模糊、介于类别之间的结果，例如“一个男孩在摸狗”。

当你施加引导并调高尺度值：

• 引导尺度较小时：生成结果略微偏向“猫”，但仍可能混杂其他类别特征。
• 引导尺度很大时：模型生成一个明确、典型的“猫”，排除其他所有可能的解释。

从技术上讲，该尺度值相当于一个乘数，放大了模型向特定标签数据分布的“偏移力度”。

5. 无分类器引导：化繁为简的演进

分类器引导效果显著，但其缺点是需要额外训练一个分类器模型来提供引导，增加了训练的复杂性与成本。

因此，“无分类器引导”应运而生。如其名称所示，它无需单独的分类器。研究者提出了一种巧妙方法：直接使用图像对应的文字描述（即用户输入的提示词）作为条件，训练扩散模型本身。

具体而言，训练过程中，模型的噪声预测网络（U-Net）同时接收带噪声的图像和文本条件。实现“引导”的关键在于，让同一模型也学会在无文本条件（即空白提示）时如何预测噪声。生成时，通过比较“有条件预测”与“无条件预测”的差异，并利用一个尺度因子（即CFG Scale值）放大该差异，从而实现强有力的引导。这正是当今文生图（Text-to-Image）功能的核心基础。

6. 无分类器引导尺度：掌控提示词权重的旋钮

现在我们已经了解以提示词为条件的生成过程，那么如何控制AI对提示词的遵循程度呢？

答案就是CFG Scale值。回到“猫、狗、人”的例子，若输入的提示词是“一只猫”：

• 如果CFG Scale值设为0或很低：提示词基本被忽略，生成猫、狗、人的概率大致相等。
• 如果CFG Scale值设为适中的7-10：提示词被严格遵循，几乎总能得到一只猫。
• 如果CFG Scale值调得极高：将得到一张特征极其鲜明、毫无歧义的“标准猫”图像，但多样性丧失，色彩可能失真。

7. 无分类器引导是如何训练的？

从原理上说，要实现引导，模型需要同时具备“有条件地”预测噪声（根据文本）和“无条件地”预测噪声（无文本）的能力。难道需要训练两个模型吗？

实际上有个更聪明的做法：只训练一个模型。在训练过程中，随机将一部分样本的文本条件替换成空白标记（空字符串）。这样，这个“单一”模型就同时学会了两种技能：在有提示时如何工作，以及在没提示时如何工作。生成时的引导效果，就来自于这两种工作模式的差值。

8. 是否存在最佳CFG Scale值？

通过以上介绍，最实际的问题来了：是否存在一个放之四海而皆准的“最佳”CFG Scale值？

答案是：没有唯一的最佳值，只有合理的范围（例如前文提到的7-10），具体数值取决于你的需求。

CFG Scale本质上是在准确度与多样性之间进行权衡：

• CFG Scale值越高：图像越贴合提示词，但多样性下降，风格和构图易僵化，且可能出现过饱和、伪影。
• CFG Scale值越低：AI发挥空间更大，图像更丰富、更自然，但也更容易“跑题”。

因此，下次调节CFG Scale时，不妨把它视为一个创意调节旋钮。若要精准实现脑洞，可适当调高数值；若想收获意外之喜，不妨降低数值，给AI更多自由发挥空间。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Stable Diffusion中CFG参数的作用详解要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题