Cadeia de Trajetórias: Desbloqueando a Otimalidade Gerativa Intrínseca dos Modelos de Difusão por meio de Planejamento Grafoteórico

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

Resumo

Os modelos de difusão operam num modo reflexivo do Sistema 1, limitados por uma programação de amostragem fixa e independente do conteúdo. Esta rigidez surge da maldição da dimensionalidade de estado, onde a explosão combinatória de estados possíveis na variedade de ruído de alta dimensão torna a planificação explícita de trajetórias intratável e leva a uma má alocação computacional sistemática. Para resolver isto, introduzimos a Cadeia de Trajetórias (CoTj), uma estrutura livre de treino que permite a planificação deliberativa do Sistema 2. Central ao CoTj está o ADN de Difusão, uma assinatura de baixa dimensão que quantifica a dificuldade de remoção de ruído por fase e serve como um proxy para o espaço de estados de alta dimensão, permitindo-nos reformular a amostragem como planificação de grafos num grafo acíclico dirigido. Através de um paradigma Prever-Planificar-Executar, o CoTj aloca dinamicamente o esforço computacional para as fases generativas mais desafiadoras. Experiências com vários modelos generativos demonstram que o CoTj descobre trajetórias conscientes do contexto, melhorando a qualidade e estabilidade da saída enquanto reduz a computação redundante. Este trabalho estabelece uma nova base para a modelação de difusão baseada em planificação e consciente dos recursos. O código está disponível em 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.