提出ShortDF，一种基于最短路径建模的去噪扩散模型，优化残差传播，加速数据生成，提升样本质量。为交互式扩散模型应用奠定基础。
原文标题：【CVPR2025】在去噪扩散模型中优化最短路径
原文作者：数据派THU
冷月清谈：
本文介绍了一种新型去噪扩散模型ShortDF，其核心思想是将去噪过程建模为最短路径问题。该模型受到DDIM和图论的启发，通过优化残差传播，旨在最小化重建误差，从而提高去噪效率和生成质量。ShortDF通过优化初始残差，有效提升了反向扩散过程的效率，并显著改善了生成样本的视觉保真度。实验结果表明，相较于现有方法，ShortDF能够在更短的扩散时间内生成更高质量的样本。这一研究为交互式扩散模型应用和快速数据生成开辟了新的方向。
怜星夜思：
1、ShortDF模型将去噪过程视为最短路径问题，这个思路很新颖。除了文中提到的DDIM和图论，你觉得还有哪些理论或技术可能对这个模型的优化提供帮助？
2、文章提到ShortDF为交互式扩散模型应用奠定了基础。 那么，你觉得未来基于ShortDF的交互式应用会是什么样的？会给我们的生活带来哪些改变？
3、ShortDF的核心在于优化残差传播，从而减少扩散时间。你认为除了优化残差传播，还有哪些方法可以进一步提升去噪扩散模型的效率，使其更适用于实时性要求高的场景？
2、文章提到ShortDF为交互式扩散模型应用奠定了基础。 那么，你觉得未来基于ShortDF的交互式应用会是什么样的？会给我们的生活带来哪些改变？
3、ShortDF的核心在于优化残差传播，从而减少扩散时间。你认为除了优化残差传播，还有哪些方法可以进一步提升去噪扩散模型的效率，使其更适用于实时性要求高的场景？
原文内容
来源：专知本文约1000字，建议阅读5分钟
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。
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
