Naukowcy zaprezentowali CARE, lekką metodę regularyzacji dla modeli dyfuzji, która dynamicznie moduluje rozkład cech na podstawie podobieństwa warunków wejściowych. W przeciwieństwie do dotychczasowych podejść, CARE bezpośrednio wykorzystuje sygnały warunkujące - takie jak etykiety klas czy prompty tekstowe - aby inteligentnie kierować przestrzenią reprezentacji modelu.
Według badań, CARE konsekwentnie poprawia zarówno wierność wizualną generowanych obrazów, jak i stabilność zbieżności w treningu. Na zbiorze ImageNet metoda osiąga 19,08-procentową redukcję metryki FID już po 400 tys. kroków treningowych, co przekłada się na 3,5-krotne przyspieszenie. W zadaniach text-to-image generowania CARE obniża FID o 16,61 procent w 200 tys. iteracjach i jednocześnie polepszy zaangażowanie semantyczne między generowanymi próbkami a promptami tekstowymi.
Kluczową zaletą CARE jest jego elastyczność - jako framework działający na zasadzie plug-and-play może być bezproblemowo integrowany z istniejącymi metodami regularyzacji, co prowadzi do dodatkowych przyrostów wydajności. Podejście nie wymaga jawnych loss-ów wyrównujących ani zewnętrznego nadzoru, a zamiast tego promuje tworzenie zwartych klastrów cech dla podobnych warunków generowania.