arXiv · cs.AI· Kyowoon Lee, Yunhao Luo, Anh Tong, Jaesik Choi·· 1 天前
Refining Compositional Diffusion（RCD）提升可靠的长时程规划
Refining Compositional Diffusion for Reliable Long-Horizon Planning
arXiv:2605.03075v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Kyowoon Lee, Yunhao Luo, Anh Tong, Jaesik Choi
研究任务与主要进展
Kyowoon Lee 等提出无需训练的 Refining Compositional Diffusion（RCD）方法，用于缓解组合扩散规划中的模式平均问题。RCD 将预训练扩散模型的自重建误差作为组合计划对数密度的代理，并结合片段边界的一致性项，引导采样生成高密度、全局连贯的计划。基于论文摘要，RCD 在 OGBench 的运动、物体操作和像素观测长时程任务上持续优于既有方法。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org