Kette-von-Trajektorien: Freischaltung der intrinsischen generativen Optimalität von Diffusionsmodellen durch graph-theoretische Planung
Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning
March 16, 2026
Autoren: Ping Chen, Xiang Liu, Xingpeng Zhang, Fei Shen, Xun Gong, Zhaoxiang Liu, Zezhou Chen, Huan Hu, Kai Wang, Shiguo Lian
cs.AI
Zusammenfassung
Diffusionsmodelle arbeiten in einem reflexiven System-1-Modus, der durch einen festen, inhaltsunabhängigen Sampling-Zeitplan eingeschränkt ist. Diese Starrheit resultiert aus dem Fluch der Zustandsdimensionalität, bei dem die kombinatorische Explosion möglicher Zustände in der hochdimensionalen Rauschmannigfaltigkeit eine explizite Trajektorienplanung undurchführbar macht und zu systematischer Fehlallokation von Rechenressourcen führt. Um dies zu adressieren, führen wir Chain-of-Trajectories (CoTj) ein, ein trainierungsfreies Framework, das eine deliberative Planung nach System 2 ermöglicht. Kernstück von CoTj ist die Diffusions-DNA, eine niedrigdimensionale Signatur, die den Entrauschungsaufwand pro Stufe quantifiziert und als Stellvertreter für den hochdimensionalen Zustandsraum dient. Dies erlaubt es uns, das Sampling als Graphplanung auf einem gerichteten azyklischen Graphen neu zu formulieren. Durch ein Predict-Plan-Execute-Paradigma weist CoTj Rechenaufwand dynamisch den anspruchsvollsten Generierungsphasen zu. Experimente mit verschiedenen generativen Modellen zeigen, dass CoTj kontextsensitive Trajektorien entdeckt, die Ausgabequalität und -stabilität verbessern und redundante Berechnungen reduzieren. Diese Arbeit legt eine neue Grundlage für ressourcenbewusste, planungsbasierte Diffusionsmodellierung. Der Code ist verfügbar unter https://github.com/UnicomAI/CoTj.
English
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.