論文の概要: Refining Compositional Diffusion for Reliable Long-Horizon Planning

• arxiv url: http://arxiv.org/abs/2605.03075v1
• Date: Mon, 04 May 2026 18:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.607996
• Title: Refining Compositional Diffusion for Reliable Long-Horizon Planning
• Title（参考訳）: 信頼性のある長軸計画のための組成拡散の精製
• Authors: Kyowoon Lee, Yunhao Luo, Anh Tong, Jaesik Choi,
• Abstract要約: 本研究では,高密度でグローバルなコヒーレントな計画に向けて,構成標本を操る学習自由誘導手法を提案する。 ローコモーション、オブジェクト操作、ピクセルベースの観察を含む、OGBenchからの長距離タスクへの挑戦実験は、RCDが既存の手法を一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 31.40044829548484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compositional diffusion planning generates long-horizon trajectories by stitching together overlapping short-horizon segments through score composition. However, when local plan distributions are multimodal, existing compositional methods suffer from mode-averaging, where averaging incompatible local modes leads to plans that are neither locally feasible nor globally coherent. We propose Refining Compositional Diffusion (RCD), a training-free guidance method that steers compositional sampling toward high-density, globally coherent plans. RCD leverages the self-reconstruction error of a pretrained diffusion model as a proxy for the log-density of composed plans, combined with an overlap consistency term that enforces consistency at segment boundaries. We show that the combined guidance concentrates sampling on high-density plans that mitigate mode-averaging. Experiments on challenging long-horizon tasks from OGBench, including locomotion, object manipulation, and pixel-based observations, demonstrate that RCD consistently outperforms existing methods.
• Abstract（参考訳）: 組成拡散計画では、スコア合成により重なり合う短軸セグメントを縫合して長軸軌道を生成する。 しかし、局所的な計画分布がマルチモーダルである場合、既存の構成法は、非互換な局所モードを平均化すると、局所的に実現不可能で、世界的に一貫性のない計画に繋がる。 本研究では,高密度,グローバルなコヒーレントな計画に向けて,合成サンプリングを操るトレーニングフリーガイダンス手法であるRefining Compositional Diffusion (RCD)を提案する。 RCDは、事前訓練された拡散モデルの自己再構成誤差を、構成された計画の対数密度のプロキシとして利用し、セグメント境界における一貫性を強制する重複一貫性項と組み合わせる。 統合ガイダンスは, モード回避を緩和する高密度プランのサンプリングに集中していることが示される。 ローコモーション、オブジェクト操作、ピクセルベースの観察を含む、OGBenchからの長距離タスクへの挑戦実験は、RCDが既存の手法を一貫して上回ることを示した。

関連論文リスト

• Compositional Visual Planning via Inference-Time Diffusion Scaling [41.86377754505579]
  短期ホライズンロボット計画において拡散モデルは優れているが、計算制約と限られた訓練データのために長いホライズンタスクにスケールすることは依然として困難である。 安定な構成生成の鍵は、推定されたクリーンデータに対する境界合意を強制することにある。 提案手法は,ビデオチャンクを重畳した連鎖構造因子グラフ上での長軸計画を定式化し,事前学習した短軸ビデオ拡散モデルが局所的な事前情報を提供する。
  論文  参考訳（メタデータ） (2026-03-03T06:24:06Z)
• 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)
• Compositional Diffusion with Guided Search for Long-Horizon Planning [25.850015543620128]
  合成生成モデルのためのCDGSを用いた合成拡散法を提案する。 提案手法は,人口ベースサンプリングによる局所モードの多種多様な組み合わせ,確率ベースフィルタリングによる不実現候補の探索,反復的再サンプリングによる大域的一貫性の検証を行う。 このアプローチはドメインをまたいで一般化され、テキスト誘導パノラマ画像と長いビデオが、効果的なローカル-グローバルメッセージパッシングによって実現される。
  論文  参考訳（メタデータ） (2025-12-31T22:03:19Z)
• Projected Coupled Diffusion for Test-Time Constrained Joint Generation [49.69610867216755]
  制約付きジョイント生成のための新しいテストタイムフレームワークであるProjected Coupled Diffusion (PCD)を提案する。 PCDは、拡散モデル間の協調を促進するために生成力学に結合したガイダンス項を導入し、各拡散ステップにプロジェクションステップを組み込んで厳しい制約を強制する。 その結果,過剰な計算コストを発生させることなく,結合効果の向上と制約満足度が保証された。
  論文  参考訳（メタデータ） (2025-08-14T11:05:31Z)
• CHD: Coupled Hierarchical Diffusion for Long-Horizon Tasks [10.13048343565914]
  拡散に基づくプランナーは、短期水平タスクでは強い性能を示してきたが、しばしば複雑な長期水平設定では失敗する。 本稿では,HLサブゴールとLL軌道を統一拡散過程内で共同でモデル化するフレームワークであるCoupled Hierarchical Diffusionを提案する。 迷路のナビゲーション、テーブルトップ操作、家庭環境における実験は、CHDがフラットな拡散ベースラインと階層的な拡散ベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-12T06:21:48Z)
• Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
  本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。 より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。 HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
  論文  参考訳（メタデータ） (2025-03-25T22:52:46Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Compositional Diffusion-Based Continuous Constraint Solvers [98.1702285470628]
  本稿では,ロボット推論と計画における連続的制約満足度問題(CCSP)の解法について紹介する。 対照的に、構成拡散連続制約解法(Diffusion-CCSP)は、CCSPに対する大域的な解を導出する。
  論文  参考訳（メタデータ） (2023-09-02T15:20:36Z)

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。