轨迹预测Leapfrog Diffusion Model for Stochastic Trajectory Prediction

论文速读

CVPR2023
暂时没有上传的开源代码：https://github.com/mediabrain-sjtu/led

解决什么问题

解决实时性问题，扩散模型用在扩散生成当中，虽然取得了很好的预测效果，但是由于扩散模型预测阶段耗时高，影响了未来轨迹预测的实时性。因此作者采用蛙跳的方式加速这个过程。

解决这个问题的几个关键点

总体架构上面提出了哪些创新

直接使用一个网络跳过扩散模型开始的步骤，并且这个跳过的步骤还比较特殊，跳出的结果直接就是一个轨迹集合了。

这里作者说了三个关键点：
1）这里初始跳跃的时候将直接跳过了噪声到轨迹，跳跃的结果就是一些轨迹，之后再从这些轨迹开始扩散；
2）这种方法可以在预测的过程中让输出的这些K个轨迹彼此之间有感知，知道对方是什么情况。
3）作者设计的跳跃扩散模型和普通的扩散模型，都具有最后的逐步降燥的过程，保证了生成数据的质量。

如何实现蛙跳

直接使用蛙跳进行

如何处理轨迹表达和训练问题

0.Abstract

To model the indeterminacy of human behaviors, stochastic trajectory prediction requires a sophisticated multi-modal distribution of future trajectories. Emerging diffusion models have revealed their tremendous representation capacities in numerous generation tasks, showing potential for stochastic trajectory prediction. However, expensive time consumption prevents diffusion models from real-time prediction, since a large number of denoising steps are required to assure