近期研究表明，表征正则化对提升扩散模型的样本质量和训练效率十分重要。然而，常用的正则化方法往往忽略了直接决定生成目标的内置条件（如标签或文本）。
在这项工作中，研究团队展示了条件信号如何影响特征分布，并提出了“条件感知表征正则化”（Condition-Aware REpresentation regularization，CARE）。CARE 是一个轻量级的即插即用正则化框架，根据条件相似度动态调制特征分布。CARE 利用内置条件信号引导表征空间，从而在无需依赖显式对齐损失或外部监督的情况下，促进相似条件下的特征聚类更加紧密。
实验表明，CARE 在类别到图像（class-to-image）和文本到图像（text-to-image）任务上，均能持续提升视觉保真度和收敛稳定性。在 ImageNet 上，CARE 在 400k 训练步内将 FID 降低 19.08%，实现 3.5 倍加速；应用于文本到图像生成时，CARE 在 200k 次迭代内将 FID 降低 16.61%，并改善生成样本与文本提示之间的语义对齐。此外，CARE 可以与现有正则化方法无缝结合，带来进一步的性能提升。