【ECCV2024】优化扩散模型以进行联合轨迹预测和可控生成

来源：专知
本文为论文介绍，建议阅读5分钟
为了应对这些挑战，我们引入了最优高斯扩散（OGD）和估计清洁流形（ECM）引导。

扩散模型在自动驾驶的联合轨迹预测和可控生成方面展现出了潜力，但它们面临着推理步骤效率低下和计算需求高的挑战。为了应对这些挑战，我们引入了最优高斯扩散（OGD）和估计清洁流形（ECM）引导。OGD优化了小扩散时间T的先验分布，并从此开始逆向扩散过程。ECM直接向估计的清洁流形注入引导梯度，消除了整个网络中广泛的梯度反向传播。我们的方法简化了生成过程，使实际应用能够减少计算开销。在大规模的Argoverse 2数据集上进行的实验验证表明，我们的方法性能卓越，为自动驾驶的计算效率高、质量高的联合轨迹预测和可控生成提供了一个可行的解决方案。我们的项目网页位于

https://yixiaowang7.github.io/OptTrajDiff_Page/

关键词：扩散模型、自动驾驶、轨迹预测、可控轨迹生成。

关于我们

数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。

新浪微博：@数据派THU

微信视频号：数据派THU

今日头条：数据派THU