ComboStoc：扩散生成模型的组合随机性
机器学习
2026-04-30 v3 人工智能
计算机视觉与模式识别
图形学
摘要
本文研究了扩散生成模型中一个未被充分探索但重要的因素，即组合复杂性。数据样本通常是高维的，对于各种结构化生成任务，额外的属性被组合起来与数据样本关联。我们表明，现有扩散生成模型的训练方案可能无法充分覆盖维度和属性组合所张成的空间，从而可能限制测试时的性能。我们提出了一个简单的解决方案，通过构建充分利用组合结构的随机过程，因此命名为ComboStoc。使用这一简单策略，我们表明网络训练在多种数据模态（包括图像和3D结构化形状）上显著加速。此外，ComboStoc启用了一种新的测试时生成方式，对不同维度和属性使用异步时间步长，从而允许对它们进行不同程度的控制。我们的代码可在 https://github.com/Xrvitd/ComboStoc 获取。
引用
@article{arxiv.2405.13729,
title = {ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models},
author = {Rui Xu and Jiepeng Wang and Hao Pan and Yang Liu and Xin Tong and Shiqing Xin and Changhe Tu and Taku Komura and Wenping Wang},
journal= {arXiv preprint arXiv:2405.13729},
year = {2026}
}
备注
ACM Transactions on Graphics, SIGGRAPH 2026