軌跡連鎖：グラフ理論的計画による拡散モデルの内在的生成的最適性の解放

要旨

拡散モデルは、固定されたコンテンツ非依存のサンプリングスケジュールに制約された、反射的なシステム1モードで動作する。この硬直性は状態次元の呪いに起因しており、高次元ノイズ多様体における可能な状態の組み合わせ爆発が明示的な軌道計画を不可能にし、体系的な計算リソースの誤配分を引き起こす。この問題に対処するため、我々はシステム2に基づく熟慮的計画を可能にする学習不要フレームワーク「Chain-of-Trajectories（CoTj）」を提案する。CoTjの中核を成すのはDiffusion DNAと呼ばれる低次元特徴量であり、これは段階ごとのノイズ除去の困難度を定量化し、高次元状態空間の代理指標として機能する。これにより、サンプリング過程を有向非巡回グラフ上のグラフ計画問題として再定式化することが可能となる。CoTjは「予測-計画-実行」パラダイムを通じて、計算リソースを最も困難な生成段階に動的に配分する。複数の生成モデルを用いた実験により、CoTjが文脈を考慮した軌道を発見し、出力品質と安定性を向上させながら冗長な計算を削減できることを実証した。本研究は、リソースを考慮した計画ベースの拡散モデリングの新たな基盤を確立するものである。コードはhttps://github.com/UnicomAI/CoTj で公開されている。

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.

軌跡連鎖：グラフ理論的計画による拡散モデルの内在的生成的最適性の解放

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

要旨

Support