← 世界模型 / 生成与轨迹规划

正式发表 / World Models

Diffusion Forcing

Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion

NeurIPS · 2024CCF A

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
时间轴与噪声轴的联合建模NeurIPS 2024 · Fig. 2 · p.3 ↗

训练因果序列网络处理每个 token 不同的噪声程度,把时间上的预测和扩散中的去噪结合起来。

  1. 01独立采样噪声等级
  2. 02训练因果去噪器
  3. 03按调度生成与引导
Diffusion Forcing时间轴与噪声轴的联合建模
时间轴与噪声轴的联合建模

训练因果序列网络处理每个 token 不同的噪声程度,把时间上的预测和扩散中的去噪结合起来。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

训练因果序列网络处理每个 token 不同的噪声程度,把时间上的预测和扩散中的去噪结合起来。

WHY READ IT

为什么放在这条路线

相对整段统一噪声扩散,它允许不同未来步保留不同不确定性;与普通自回归预测相比可对未来片段进行联合引导。

当前阶段生成与轨迹规划 ↗

轨迹去噪、视频计划与可交互世界怎样连接?

READ WITH A QUESTION

读的时候,留意什么

它是序列建模方法,视频、规划与控制实验分别有训练设置;不代表一个模型开箱通用。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器