Ctrl-Z采样：通过受控随机锯齿形探索扩展扩散采样

扩散模型通过逐步去噪高斯噪声来生成条件样本，然而去噪轨迹可能会停滞在视觉上合理但质量低下的结果上，并伴有条件错位或结构伪影。我们将这种行为解释为代理质量景观中的局部最优：一旦早期去噪承诺了一个次优的全局结构，后续步骤主要锐化细节，很少纠正根本性错误。虽然现有的推理时方法通过使用固定强度或方向的重新加噪来探索替代扩散状态，但它们逃离陡峭质量平台的能力有限。我们提出了受控随机锯齿形采样(Ctrl-Z Sampling)，一种可扩展的采样策略，它通过代理分数检测质量景观中的平台，并仅在检测到平台时分配探索。一旦检测到，Ctrl-Z Sampling回滚到更嘈杂的状态，采样一组替代的延续路径，并在候选者改善分数时更新轨迹，否则升级探索深度以逃离当前平台。所提出的方法与模型无关，并广泛兼容现有的扩散框架。实验表明，在不同的NFE预算下，Ctrl-Z Sampling在生成质量上始终优于其他推理时缩放采样器，提供了可扩展的计算-质量权衡。