GeoSPRINT：用于扩散轨迹推理的几何冗余感知步骤修剪

扩散模型可实现较高的样本质量，但在推理时仍然昂贵，因为采样需要许多顺序神经功能评估 (NFE)。现有的加速方法要么使用固定的跳步计划，根据局部数值误差调整步长，要么需要额外的训练。我们介绍了 GeoSPRINT（轨迹推理的几何步长修剪），这是一个 无需训练 框架，用于根据去噪轨迹的几何结构构建非均匀采样计划。 GeoSPRINT 使用潜在空间中的超平面性测试来检测几何冗余步骤，通过 QR 分解有效实现，并将生成的冗余配置文件转换为采样计划，将更多步骤分配给轨迹的高曲率区域。此外，我们还引入了轨迹投影得分 $α_{\mathrm{traj}}$，这是一种残差方差度量，可量化轨迹直线度并用作校正流质量的无模型诊断。在 CIFAR-10（$32{\times}32$）、LSUN Church（$256{\times}256$）和 Stable Diffusion v1.5（$512{\times}512$ 潜在）中，GeoSPRINT 在匹配的 NFE 预算下持续改进统一的 DDIM（去噪扩散隐式模型）计划。在 CIFAR-10 上，GeoSPRINT 在 49-89 个 NFE 上比 DDIM 提高了 0.7-1.1 的 FID（Fréchet 起始距离），并且在 NFE${\geq}30$ 上超过了 DPM-Solver++，尽管使用了一阶 DDIM 求解器。在 LSUN Church 上，它以 52 个步骤将 FID 从 1.48 降低到 1.26，而在 Stable Diffusion v1.5 上，它比 DDIM 实现了高达 1.93 的 FID 改进。这些结果表明，轨迹几何形状为分配推理步骤提供了有用的全局信号，并且调度质量可以在无需重新训练的情况下显着提高扩散采样效率。