低噪声直接去噪采样：一种领域依赖的免训练扩散模型采样改进方法

《Sensors》：Low-Noise Direct Denoising Sampling for DPM Samplers with Denoised Outputs++

　　

摘要

扩散模型已被广泛应用于图像生成和结构化轨迹生成。DPM++ 采样器通过递归传播当前和历史去噪状态来改进少步推理，但其在低噪声区域的行为仍未得到充分研究。本文探讨了当模型预测的去噪输出变得相对稳定时，递归的低噪声更新是否始终必要。基于此分析，我们提出了低噪声直接去噪采样（LNDDS），这是一种无需训练的修改方法，在选定的低噪声步骤中将递归的 DPM++ 更新替换为当前的去噪预测。LNDDS 保持模型架构、训练目标、噪声调度、采样步数和函数评估次数不变。在 MJHQ-30K 图像生成和 HiLo–nuPlan 交通场景生成上的实验表明，LNDDS 的效果具有领域依赖性。在评估的设置下，LNDDS 并不能为图像生成提供一致的质量提升，但在交通场景生成中表现出明显优势，提升了轨迹质量、运动平滑度和物理合理性。机制分析进一步表明，低噪声直接更新在不同领域对采样轨迹的影响不同。这些结果表明，LNDDS 是一种任务依赖的低噪声状态更新策略，更适合结构化轨迹生成，而不适合通用的文生图任务。