Projected Coupled Diffusion for Test-Time Constrained Joint Generation¶

会议: ICLR2026
OpenReview: https://openreview.net/forum?id=1FEm5JLpvg 代码: https://github.com/EdmundLuan/pcd
领域: 扩散模型 / 图像生成
关键词: 测试时约束生成、联合生成、投影扩散、耦合扩散、多模型协同代码: 待确认
领域: generative models
这篇论文提出 Projected Coupled Diffusion（PCD），在不重新训练扩散模型的前提下，把多个预训练边际扩散模型通过耦合代价联合采样，并在每个扩散步做投影来严格满足测试时硬约束，在机器人轨迹、人脸配对生成和物体操作任务上同时改善相关性与约束满足。

一句话总结¶

领域现状：扩散模型已经成为图像、视频、语言、图、机器人轨迹等生成任务里的通用建模工具。很多实用系统并不只需要“无条件生成一个样本”，而是在推理阶段加入额外目标，例如 classifier guidance、inpainting、reward guidance 或 projected diffusion，让已有模型在不重训的情况下朝某个条件或约束采样。

研究背景与动机¶

整体框架¶

PCD 的输入是一组预训练扩散模型或 score model，例如两个图像 latent diffusion 模型、多个机器人轨迹扩散模型，或者两条操作轨迹的 diffusion policy。每个模型仍然负责自己的边际分布；PCD 不改模型参数，而是在反向扩散的每一步加入耦合代价梯度，再把更新后的样本投影到测试时给出的可行集合中，最后输出一组满足约束且相互协调的联合样本。

方法详解¶

主实验¶

论文覆盖三个应用场景：多机器人导航、PushT 物体操作、人脸配对生成。下面摘取主文中最能说明 PCD 同时处理“相关性 + 硬约束”的结果。

实验关键数据¶

PCD 最漂亮的地方是把“联合性”和“可行性”拆成两个可插拔算子。耦合代价不必知道所有约束，投影也不必懂生成语义，二者在每个扩散步相遇后就形成一个简洁的测试时控制循环。

亮点与洞察¶

PCD 依赖耦合代价的梯度或次梯度。若任务约束是离散逻辑、不可微仿真指标或黑盒安全规则，就需要可微近似、采样式估计或其他 surrogate，效果可能取决于近似质量。

局限性 / 可改进方向¶

vs Classifier Guidance: classifier guidance 用条件 likelihood 的梯度推动单个扩散模型采样到目标属性；PCD 把它看作 \(Y\) 被固定成条件、\(X\) 无投影的特殊情形。PCD 的优势是可以让多个变量同时移动，并额外支持硬约束投影。