基于稀疏缩放的引导轨迹优化用于测试时扩散
计算机视觉与模式识别
2026-05-22 v1
摘要
高效的测试时扩增 (Test-Time Scaling, TTS) 范式为增强扩散模型的生成性能提供了可前景的视角。然而，现有方法受限于静态、预定义的噪声池，并在去噪轨迹中 suffer from 对噪声探索不够灵活。为弥合这一差距，我们提出 RTS，即奖励引导的轨迹缩放方法，以充分发挥扩散模型的生成潜能。与现有方法不同，RTS 通过两个核心创新实现了精细、高保真图像的合成：1) 基于奖励的噪声优化策略，主动引导搜索向有前景的区域发展；2) 稀疏测试时扩增框架，结合 PCA 驱动的曲率分析方案，以优先考虑整个去噪空间中的关键中间步骤，从而有效压缩搜索空间。实验表明，我们的方法在 GenEval Score 上超越基线 15.6%，在 ImageReward 分数上提升 60.4%，实现新的 SOTA，并为更有效的扩散特定架构测试时扩增提供了实际指南。
引用
@article{arxiv.2605.21907,
title = {Guided Trajectory Optimization with Sparse Scaling for Test-Time Diffusion},
author = {Gang Dai and Yining Huang and Yiming Xia and Guohao Chen and Shuaicheng Niu},
journal= {arXiv preprint arXiv:2605.21907},
year = {2026}
}