### 无分类器引导 (Classifier-Free Guidance, CFG)

#### 核心定义
无分类器引导（CFG）是扩散模型中的一种采样增强技术，通过在反向扩散过程中，将**有条件的分数估计**与**无条件的分数估计**进行加权组合（通常用引导尺度 \(w \geq 1\) 控制），使生成结果更强烈地偏向给定的条件信息（如文本、图像属性），而无需额外训练分类器。其核心公式为：\(\hat{\epsilon}_\theta(z_t, c) = \epsilon_\theta(z_t, \emptyset) + w \cdot [\epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, \emptyset)]\)，其中 \(c\) 为条件，\(\emptyset\) 为空条件。

#### 关键技术点
1. **统一网络架构**  
   训练时通过随机置空条件嵌入（如将文本token替换为null embedding），使同一网络既能预测条件分数 \(\epsilon_\theta(z_t, c)\)，又能预测无条件分数 \(\epsilon_\theta(z_t, \emptyset)\)，避免另设分类器。

2. **引导尺度 \(w\)**  
   \(w > 1\) 放大条件与无条件的差异，增强条件约束强度；\(w = 1\) 退化为普通条件采样；\(w\) 过大会导致样本失真或过拟合条件。

3. **分数外推机制**  
   CFG实际是在无条件估计基础上，**沿“条件增加”的方向外推**，类似梯度上升式强化条件信号，但无需显式计算分类器梯度。

4. **训练时条件丢弃率**  
   通常以10%~20%的概率随机丢弃条件（如将类别标签置为0），确保模型同时学习条件与无条件预测，平衡两者能力。

#### 医学/神经科学应用场景：神经退行性疾病MRI超分辨率生成
在首都医科大学神经病学研究中，CFG被用于**条件扩散模型**增强低场强MRI图像的超分辨率重建。例如，以阿尔茨海默病患者的海马体萎缩模式（来自高场强MRI的精细结构）作为条件标签，引导生成高分辨率图像时，通过设置 \(w = 2.5\) 强制保留关键病理特征（如CA1区体积减少、信号强度异常），同时抑制条件无关的噪声伪影。这种方法合成的高质量图像可直接用于训练诊断分类器，解决罕见或早期病变样本不足的问题，尤其适用于痴呆症亚型鉴别研究。

> （字数：558）