Chaîne de Trajectoires : Libérer l'Optimalité Générative Intrinsèque des Modèles de Diffusion via la Planification en Théorie des Graphes

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

March 16, 2026

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

cs.AI

Résumé

Les modèles de diffusion opèrent dans un mode réflexif de type Système 1, contraints par un calendrier d'échantillonnage fixe et agnostique au contenu. Cette rigidité découle de la malédiction de la dimensionnalité des états, où l'explosion combinatoire des états possibles dans la variété de bruit de haute dimension rend la planification explicite des trajectoires intraitable et conduit à une mauvaise allocation systématique des ressources computationnelles. Pour résoudre ce problème, nous présentons Chain-of-Trajectories (CoTj), un cadre non entraîné permettant une planification délibérative de type Système 2. Au cœur de CoTj se trouve l'ADN de Diffusion, une signature de faible dimension qui quantifie la difficulté de débruitage à chaque étape et sert de proxy pour l'espace d'état de haute dimension, nous permettant de reformuler l'échantillonnage comme une planification de graphe sur un graphe acyclique dirigé. Grâce à un paradigme Prédire-Planifier-Exécuter, CoTj alloue dynamiquement l'effort computationnel aux phases génératives les plus difficiles. Les expériences menées sur plusieurs modèles génératifs démontrent que CoTj découvre des trajectoires sensibles au contexte, améliorant la qualité et la stabilité des sorties tout en réduisant les calculs redondants. Ce travail établit une nouvelle base pour la modélisation de diffusion basée sur la planification et consciente des ressources. Le code est disponible à l'adresse 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.