CMDS：用随机最优控制协调多个冻结扩散生成器

深度生成模型通常会产生由交互组件组成的结构化输出。使用单个模型对这些输出进行建模需要学习组件分布及其相互作用。我们追求模块化替代方案：重用独立训练的组件生成器，并仅学习如何协调它们以产生连贯的结构化输出。我们的框架，协调多智能体扩散转向（CMDS），将冻结的预训练扩散模型视为可重用的生成基元，并通过学习控制来协调其反向过程。我们将协调制定为随机最优控制问题，平衡装配级奖励，该奖励指定组合输出的所需属性与预训练动态的偏差。学习到的控制分摊了这种优化，允许在新的任务实例中重用。实验表明，CMDS 可以恢复已知的目标分布，使用相同的训练控制满足不同的空间约束，并从退化的混合物中恢复单个源。通过多智能体迷宫导航、铰接式机器人规划和文本调节的人体运动，CMDS 将冻结模型转变为协调的多智能体生成器。