Cadena de Trayectorias: Desbloqueando la Optimalidad Generativa Intrínseca de los Modelos de Difusión mediante Planificación Grafoteórica

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

March 16, 2026

Autores: Ping Chen, Xiang Liu, Xingpeng Zhang, Fei Shen, Xun Gong, Zhaoxiang Liu, Zezhou Chen, Huan Hu, Kai Wang, Shiguo Lian

cs.AI

Resumen

Los modelos de difusión operan en un modo reflexivo del Sistema 1, limitados por un programa de muestreo fijo e independiente del contenido. Esta rigidez surge de la maldición de la dimensionalidad del estado, donde la explosión combinatoria de estados posibles en el manifold de ruido de alta dimensión hace que la planificación explícita de trayectorias sea intratable y conduce a una asignación computacional sistemáticamente ineficiente. Para abordar este problema, presentamos Chain-of-Trajectories (CoTj), un marco de trabajo que no requiere entrenamiento y permite la planificación deliberativa del Sistema 2. El elemento central de CoTj es el ADN de Difusión, una firma de baja dimensión que cuantifica la dificultad de eliminación de ruido en cada etapa y sirve como proxy para el espacio de estados de alta dimensión, permitiéndonos reformular el muestreo como una planificación en grafos sobre un grafo acíclico dirigido. A través de un paradigma Predecir-Planificar-Ejecutar, CoTj asigna dinámicamente el esfuerzo computacional a las fases generativas más desafiantes. Los experimentos realizados con múltiples modelos generativos demuestran que CoTj descubre trayectorias conscientes del contexto, mejorando la calidad y estabilidad de los resultados mientras reduce el cómputo redundante. Este trabajo establece una nueva base para el modelado de difusión basado en planificación y consciente de los recursos. El código está disponible en 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.