用于长期规划的从粗到细的成分扩散

扩散模型为生成结构化数据提供了强大的先验，但许多任务需要的输出超出了这些模型通常训练的规模。组合生成通过将重叠的局部计划从预先训练的短视野先验组合成长视野输出来解决这个问题。然而，标准组合主要强制相邻局部计划之间的协议，产生局部一致性，而不直接指定完整组合的全局结构。因此，本地兼容的计划仍然可能形成令人难以置信的路线、任务序列或时间演变。现有方法通过重复传播局部一致性信号或添加推理时间优化来提高全局一致性，但随着局部计划数量或维度的增加，这些过程变得昂贵。我们提出了从粗到细的组合扩散（CoFi），这是一种推理时间采样器，可将全局结构形成与局部细节细化分开。 CoFi 首先围绕共享的粗略结构调整局部去噪估计，生成一个捕获长期任务级别安排的全局支架。然后，它将支架扩散到中间噪声水平，并使用相同的预训练局部先验对其进行降噪，恢复局部精细结构，同时保留支架引起的全局一致性。在长视距机器人规划、全景图像生成和长视频生成方面，CoFi 不仅比之前的合成基线提高了全局一致性和局部样本质量，而且所需的降噪器评估次数减少了 2-8 倍。