Catena di Traiettorie: Sbloccare l'Ottimalità Generativa Intrinseca dei Modelli di Diffusione tramite Pianificazione Grafo-Teoretica

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

March 16, 2026

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

cs.AI

Abstract

I modelli diffusivi operano in una modalità riflessiva di Sistema 1, vincolati da una pianificazione di campionamento fissa e agnostica al contenuto. Questa rigidità sorge dalla maledizione della dimensionalità dello stato, in cui l'esplosione combinatoria degli stati possibili nel manifold di rumore ad alta dimensione rende intrattabile una pianificazione esplicita della traiettoria e porta a una sistematica errata allocazione computazionale. Per affrontare questo problema, introduciamo Chain-of-Trajectories (CoTj), un framework senza training che abilita una pianificazione deliberativa di Sistema 2. Elemento centrale di CoTj è il DNA della diffusione, una firma a bassa dimensionalità che quantifica la difficoltà di rimozione del rumore per ogni stadio e funge da proxy per lo spazio degli stati ad alta dimensionalità, permettendoci di riformulare il campionamento come una pianificazione su grafo su un grafo aciclico diretto. Attraverso un paradigma Prevedi-Pianifica-Esegui, CoTj alloca dinamicamente lo sforzo computazionale alle fasi generative più impegnative. Esperimenti condotti su molteplici modelli generativi dimostrano che CoTj scopre traiettorie consapevoli del contesto, migliorando la qualità e la stabilità dell'output riducendo al contempo il calcolo ridondante. Questo lavoro getta le basi per una modellazione diffusiva basata sulla pianificazione e consapevole delle risorse. Il codice è disponibile all'indirizzo 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.