論文の概要: Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning

• arxiv url: http://arxiv.org/abs/2603.14704v1
• Date: Mon, 16 Mar 2026 01:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.979431
• Title: Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning
• Title（参考訳）: パターン・オブ・トラジェクトリ:グラフ理論計画による拡散モデルの本質的な生成最適性を解き放つ
• Authors: Ping Chen, Xiang Liu, Xingpeng Zhang, Fei Shen, Xun Gong, Zhaoxiang Liu, Zezhou Chen, Huan Hu, Kai Wang, Shiguo Lian,
• Abstract要約: Chain-of-Trajectories(リンク)(CoTj)は、System 2の熟考計画を可能にするトレインフリーのフレームワークである。 CoTjは計算作業を最も困難な生成フェーズに割り当てる。 この研究は、リソースを意識し、計画に基づく拡散モデリングのための新しい基盤を確立する。
• 参考スコア（独自算出の注目度）: 18.527605555018777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models operate in a reflexive System 1 mode, constrained by a fixed, content-agnostic sampling schedule. This rigidity arises from the curse of state dimensionality, where the combinatorial explosion of possible states in the high-dimensional noise manifold renders explicit trajectory planning intractable and leads to systematic computational misallocation. To address this, we introduce Chain-of-Trajectories (CoTj), a train-free framework enabling System 2 deliberative planning. Central to CoTj is Diffusion DNA, a low-dimensional signature that quantifies per-stage denoising difficulty and serves as a proxy for the high-dimensional state space, allowing us to reformulate sampling as graph planning on a directed acyclic graph. Through a Predict-Plan-Execute paradigm, CoTj dynamically allocates computational effort to the most challenging generative phases. Experiments across multiple generative models demonstrate that CoTj discovers context-aware trajectories, improving output quality and stability while reducing redundant computation. This work establishes a new foundation for resource-aware, planning-based diffusion modeling. The code is available at https://github.com/UnicomAI/CoTj.
• Abstract（参考訳）: 拡散モデルは反射型システム1モードで動作し、固定された内容に依存しないサンプリングスケジュールで制約される。 この剛性は状態次元の呪いから生じ、高次元ノイズ多様体における可能な状態の組合せ的爆発は明示的な軌道計画が難解であり、体系的な計算上の誤りを引き起こす。 これを解決するために,システム2の熟考計画を可能にする列車フリーフレームワークであるChain-of-Trajectories (CoTj)を紹介した。 CoTjの中心は拡散DNAであり、これはステージごとの難易度を定量化し、高次元状態空間のプロキシとして機能し、有向非環状グラフ上のグラフ計画としてサンプリングを再構成することができる。 Predict-Plan-Executeパラダイムを通じて、CoTjは計算作業を最も困難な生成フェーズに動的に割り当てる。 複数の生成モデルにまたがる実験により、CoTjは文脈を考慮した軌道を発見し、冗長な計算を減らしながら出力品質と安定性を向上させる。 この研究は、リソースを意識し、計画に基づく拡散モデリングのための新しい基盤を確立する。 コードはhttps://github.com/UnicomAI/CoTj.comで入手できる。

関連論文リスト

• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
  拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。 本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。 ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-13T05:02:07Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• A Novel Cloud-Based Diffusion-Guided Hybrid Model for High-Accuracy Accident Detection in Intelligent Transportation Systems [21.082870778158313]
  誘導分類と拡散手法を組み合わせた新しいハイブリッドモデルを提案する。 私たちの実装はクラウドベースで、スケーラブルで効率的な処理を可能にしています。 提案した拡散モデルでは,97.32%の精度で画像に基づく事故検出を行う。
  論文  参考訳（メタデータ） (2025-10-04T05:02:15Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。