链式轨迹：通过图论规划释放扩散模型内在生成最优性
机器学习
2026-03-17 v1 计算机视觉与模式识别
机器学习
摘要
扩散模型 operates in a reflexive System 1 mode, 受限于固定且内容无关的采样计划。这种刚性源于状态维度的诅咒，在高维噪声流形中可能的状态组合爆炸，使得对显式轨迹规划难以实现，导致系统性的计算资源分配不当。为此，我们引入链式轨迹 (Chain-of-Trajectories, CoTj)，一个无需训练的框架，使其能够进行 System 2 deliberative 规划。CoTj 的核心是扩散 DNA，一种用于量化每个 denoising 阶段难度的低维签名，作为高维状态空间的代理，允许我们将采样重新表述为有向无环图上的图规划。通过 Predict-Plan-Execute 范式，CoTj 动态分配计算资源以针对最具挑战性的生成阶段。跨多个生成模型的实验表明，CoTj 发现情境感知的轨迹，提高了输出质量和稳定性，同时减少了冗余计算。本工作为资源感知的、基于规划的扩散建模奠定了新的基础。代码已公开于 https://github.com/UnicomAI/CoTj。
引用
@article{arxiv.2603.14704,
title = {Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning},
author = {Ping Chen and Xiang Liu and Xingpeng Zhang and Fei Shen and Xun Gong and Zhaoxiang Liu and Zezhou Chen and Huan Hu and Kai Wang and Shiguo Lian},
journal= {arXiv preprint arXiv:2603.14704},
year = {2026}
}
备注
12 figues, 5 tables