开源的预训练模型具有广泛的应用潜力，但当其训练数据不可获取时，模型效用会显著下降。无数据图像合成（Data-Free Image Synthesis，DFIS）旨在在不访问原始数据的前提下，生成逼近预训练模型所学习数据分布的图像。然而，现有 DFIS 方法因缺乏关于自然图像的先验，往往生成与真实训练数据分布偏离的样本。 为克服这一限制，我们提出 DDIS——首个扩散辅助的无数据图像合成方法。DDIS 利用文本-到-图像扩散模型作为强大的图像先验，显著提升合成图像质量。具体而言，DDIS 从给定模型中提取其学习到的数据分布知识，并用这些知识引导扩散模型，进而生成与训练数据分布高度对齐的图像。 为实现这一目标，我们提出： 1. 域对齐引导（Domain Alignment Guidance，DAG）：在扩散采样过程中，使合成数据域与训练数据域保持一致。 1. 类别对齐标记（Class Alignment Token，CAT）：通过优化单个 CAT 嵌入，有效捕捉训练数据集中各类别的特定属性。

在 PACS 与 ImageNet 数据集上的实验表明，DDIS 相较于现有 DFIS 方法能够生成更符合训练数据分布的样本，在无数据应用场景中取得了最新的 SOTA（State-of-the-Art）性能。