在文本到3D生成任务里，条件扩散模型已经能够根据自然语言描述合成网格、神经辐射场或3D高斯泼溅资产，但文本描述和几何结果之间经常出现明显错位。模型可能生成正确的物体类别，却在颜色、结构、部件比例或语义细节上偏离提示词。无分类器引导（Classifier-Free Guidance，CFG）最初在二维图像扩散模型中被用来强化条件信号，现在已经成为三维生成流程中提升文本对齐的关键手段。CFG并不改变训练目标，而是在采样阶段显式放大条件预测与无条件预测之间的差值，让生成方向更偏向文本条件。接下来从底层机制、两条主流3D生成路线中的实现差异、关键参数以及过量引导的代价几个方面展开。
一、CFG提升文本对齐的底层机制
在条件扩散模型中，网络通常同时学习条件分布与无条件分布。文本到3D任务里，条件输入一般是CLIP或T5编码得到的文本嵌入，无条件输入可以是空文本嵌入或可学习的空条件向量。训练时以一定概率随机丢弃文本条件，让同一个网络既能做条件预测，也能做无条件预测。采样时，CFG把这两个预测结果按比例混合：用无条件预测作为基线，再加上条件预测与无条件预测的差值乘以引导系数。引导系数大于1时，采样轨迹会朝文本条件分布的高密度区域移动，从而强化提示词对应的几何形态、颜色和语义属性。
直观理解，无条件预测代表模型在没有文本约束时平均化、泛化的生成倾向，条件预测则体现文本带来的偏离方向。两者差值相当于文本信息在噪声预测空间中的可操作方向，CFG把这个方向放大，使生成结果更贴合文本。但放大并非没有代价：引导系数越高，采样越偏离真实数据边缘分布，容易造成色彩过饱和、细节丢失和样本多样性下降。对于3D生成来说，这种偏移还会直接表现在几何结构上，例如重复面片、不自然对称或部件比例失调。
# 假设 model 是3D扩散Transformer，支持 cond 与 uncond
# x_t: 当前噪声化的三平面/隐式特征
# t: 时间步
# cond_emb: 文本条件嵌入
# uncond_emb: 空文本嵌入或可学习无条件向量
noise_cond = model(x_t, t, cond_emb)
noise_uncond = model(x_t, t, uncond_emb)
guidance_scale = 12.0 # 典型值，可在7到20之间调节
noise_guided = noise_uncond + guidance_scale * (noise_cond - noise_uncond)
# 后续使用 noise_guided 执行 DDIM / DDPM 采样更新
# x_{t-1} = update_step(x_t, noise_guided, t)
二、直接3D扩散与分数蒸馏路线中的CFG差异
原生3D扩散模型使用3D UNet或Diffusion Transformer直接在体素、点云、隐式场或三平面上进行去噪。这类方法的CFG与2D扩散模型基本一致，引导操作直接作用在3D网络输出上。因为去噪空间本身就是3D表示，文本条件会同时约束全局形状和局部细节，适合Shap-E、3DTopia、Hunyuan3D等路线。经验上，直接3D扩散的引导强度在7到15之间时，物体类别、纹理和结构与文本一致性较好；超过20后容易出现几何断裂、局部重复结构或法线异常。
另一条常见路线基于2D先验的分数蒸馏采样（SDS）。DreamFusion一类方法并不训练原生3D扩散模型，而是用冻结的2D图像扩散模型对NeRF或3DGS进行优化。每次迭代从随机相机视角渲染图像，加入噪声后用2D扩散模型估计噪声，再通过CFG放大文本条件，最后把引导后的分数误差反传给3D参数。这条路线中的CFG不仅影响语义对齐，还直接影响优化稳定性。由于SDS通常在高噪声时间步采样，噪声扰动较大，所以往往需要更大的引导权重来抑制平均化，DreamFusion中曾使用100的引导权重。但过高的CFG也带来过饱和、细节模糊和Janus伪影等问题，因此后续工作普遍采用退火、rescale或VSD等改进手段。
需要注意的是，两条路线的CFG失效模式并不完全一样。直接3D扩散中，过强引导更多表现为几何模式坍塌，例如壶嘴重复出现或对称性异常；SDS中，过强引导更容易造成纹理过曝、色彩失衡和多正面结构。调试时不要直接把2D图像CFG的经验参数照搬到3D任务，应当结合路线特点分别扫描。
# 伪代码：SDS中计算2D扩散模型的引导分数 # image: 从3D表示渲染的当前视角 # text_emb / uncond_emb: 文本与空文本条件 t = torch.randint(50, 950, (1,)) noise = torch.randn_like(image) noisy_image = sqrt_alpha_cumprod[t] * image + sqrt_one_minus_alpha_cumprod[t] * noise eps_cond = diffusion_model(noisy_image, t, text_emb) eps_uncond = diffusion_model(noisy_image, t, uncond_emb) sds_guidance = 100.0 # SDS常用较大值，实际可调50-200 eps_guided = eps_uncond + sds_guidance * (eps_cond - eps_uncond) # 将引导后的噪声与真实噪声的差值作为梯度信号 grad_sds = (eps_guided - noise) # 反向传播到 NeRF / 3DGS 参数
三、关键参数与动态调度策略
引导强度是最核心的旋钮。原生3D扩散建议从7到15开始扫描，SDS路线可以从50到200中寻找可用区间。文本编码器的选择同样影响对齐上限，CLIP ViT-L/14适合较短描述，T5系列对长句和复杂空间关系更友好。训练阶段的条件丢弃率建议控制在0.1到0.2，过低会让无条件预测质量变差，过高则削弱条件建模能力。负提示词也是提升文本对齐的有效方式，用“低质量、模糊、过曝、纹理缺失”等内容作为无条件文本，往往比单纯空文本更容易剔除缺陷，让目标物体的质感和结构更突出。
固定CFG并不总是最优。高噪声阶段模型主要负责布局和整体形状，此时过强的引导容易锁死错误布局，导致多样性下降；低噪声阶段模型正在补充细节，需要足够约束来稳定语义。因此可以设计随时间步变化的动态引导：高噪声阶段使用较低系数，低噪声阶段使用较高系数。实际实现可以用线性、倒余弦或阶梯函数。CFG-rescale则是另一种稳定技巧，它在引导后检查噪声向量的标准差，如果超出阈值就按比例缩放回合理范围，避免数值爆炸和纹理过曝。
def dynamic_guidance_scale(t: float, min_scale: float = 5.0, max_scale: float = 15.0) -> float:
# t 归一化到[0,1]，1表示纯噪声，0表示接近干净数据
# 高噪声阶段使用较低引导，低噪声阶段提高
return min_scale + (max_scale - min_scale) * (1.0 - t)
def cfg_rescale(eps_cond, eps_uncond, guidance_scale: float):
# 控制引导后噪声向量的尺度，避免数值过大
eps_guided = eps_uncond + guidance_scale * (eps_cond - eps_uncond)
std_uncond = eps_uncond.std()
std_guided = eps_guided.std()
if std_guided > 1.0:
eps_guided = eps_guided * (std_uncond / std_guided)
return eps_guided
几何和纹理可以进一步解耦。部分3D生成框架会把CFG分别施加到几何分支和纹理解码器上，允许几何结构使用较低的引导系数，而纹理细节使用较高系数。这样做能在保持形状合理的同时，让材质和颜色更贴文本。对于复杂提示词，还可以给不同物体或属性设置不同引导权重，不过实现复杂度会明显上升。
四、过量引导的代价与改进方向
引导系数超过合理范围后，文本一致性看起来可能继续提高，但生成质量往往迅速下降。几何上表现为不自然的对称、重复面片、比例失调，甚至出现法线翻转；纹理上表现为色彩过饱和、对比度过高、高光区域堆积；多样性方面则退化为少数高条件似然样本的重复。SDS路线中，过量引导还容易加重Janus问题，即正面特征在多个视角重复出现，导致生成结果从侧面看仍然像正面。根本原因在于CFG放大了文本条件与无条件预测的差值，使采样轨迹大幅偏离模型的边缘分布，模型被迫落在文本条件强但数据密度低的区域。
改进方向可以分为四类。第一类是后处理约束，例如CFG-rescale和动态阈值，直接限制引导后的预测尺度。第二类是引导调度，包括时间步退火、多阶段引导和负提示词切换。第三类是引导方式替换，例如PAG通过扰动注意力图来修正语义偏差，VSD则用可训练的粒子模型替代单一CFG，在多样性和文本对齐之间取得更好平衡。第四类是可学习引导，通过小型网络根据文本复杂度、时间步和当前噪声状态预测合适的引导系数，减少人工调参依赖。
实际项目中，建议先固定其他超参，只扫描CFG强度，观察几何和纹理的变化趋势。找到文本一致性尚可但尚未出现明显过曝的区间后，再加入时间步退火和rescale。大多数情况下，这种组合已经能显著改善文本对齐，同时控制Janus伪影和模式坍塌。如果仍需更高多样性，再考虑迁移到VSD或引入可学习引导模块。
CFG在3D生成中的作用已经从简单的采样技巧演变为影响文本对齐、几何稳定性和视觉质量的关键组件。理解它的数学含义、路线差异和失效边界，比背参数更重要。掌握动态调度与rescale等配套手段后，可以更稳定地把文本描述转化为符合预期的三维资产。