【CVPR2025】在去噪扩散模型中优化最短路径

在本研究中，我们提出了一种基于最短路径建模的新型去噪扩散模型，该模型通过优化残差传播（residual propagation），以提高去噪效率和生成质量。受到去噪扩散隐式模型（DDIM, Denoising Diffusion Implicit Models）及图论（graph theory）启发，我们提出的模型Shortest Path Diffusion Model（ShortDF），将去噪过程视为一个最短路径问题，旨在最小化重建误差（reconstruction error）。 通过优化初始残差（initial residuals），ShortDF能够提高反向扩散过程（reverse diffusion process）的效率，并提升生成样本的质量。我们在多个标准基准数据集上进行了广泛实验，结果表明，与现有方法相比，ShortDF能够显著减少扩散时间（或步数），同时提升生成样本的视觉保真度（visual fidelity）。我们认为，该研究为**交互式扩散模型应用（interactive diffusion-based applications）奠定了基础，并为快速数据生成（rapid data generation）**提供了新思路。 **代码开源地址：**https://github.com/UnicomAI/ShortDF